Pkg и Plots в Julia

ОБЯЗАТЕЛЬНОДЛЯ НОВИЧКОВ

Разработчику Архитектору

Дальше: управление потоком · справочник Julia

Pkg и Plots в Julia

Pkg — встроенный менеджер пакетов Julia (реестр General на GitHub). Plots.jl — унифицированный API поверх бэкендов (GR, Plotly, PyPlot) для научной визуализации.

Julia сочетает удобство скриптового языка и производительность JIT-компиляции — см. раздел Julia. Практикум по шагам — окружение Pkg, Project.toml, DataFrames, первые графики, бэкенды, типичные ошибки.

Шаг	Тема	Зачем
1	REPL-режим pkg	Установка пакетов
2	Project.toml и Manifest	Воспроизводимость
3	Активация окружения	Изолировать проект
4	DataFrames + CSV	Таблицы как в R
5	Plots.jl — линии и scatter	Первые графики
6	Бэкенды и subplots	Выбор рендерера
7	Сквозной analysis.jl	Закрепление
8	Запуск и notebook	CLI и Pluto

Материал	Зачем
Основы Julia	REPL, синтаксис, массивы
Типы и диспетчеризация	Broadcast `sin.(x)`
Управление потоком	`if`, циклы
Первая программа	Установка Julia
tidyverse в R	Тот же CSV в R
pandas	Аналог в Python
Анализ данных	Теория ETL

Навигация по блоку Julia

Предыдущий шаг: Первая программа, Типы
Вы здесь: Pkg и Plots
Следующий шаг: Управление потоком, Справочник
Обзор: Julia — о разделе

VS Code + Julia

Расширение Julia в VS Code / Cursor запускает REPL с активным окружением проекта. Установка Julia — в первой программе.

Шаг 1 — REPL-режим Pkg

В Julia REPL нажмите ] — приглашение сменится на pkg>:

# pkg> режим (после нажатия ])
add Plots DataFrames CSV
status
st
rm OldPackage

Выход из pkg-режима — Backspace или Ctrl+C.

Те же операции из обычного режима:

using Pkg
Pkg.add("Plots")
Pkg.add(["DataFrames", "CSV"])
Pkg.status()
Pkg.rm("OldPackage")

Разбор:

add записывает пакет в активный Project.toml и обновляет Manifest.toml.
status показывает прямые зависимости проекта.
Первая установка пакета компилирует его — это может занять минуты.

Реестр General: github.com/JuliaRegistries/General.

Шаг 2 — структура проекта

myanalysis/
├── Project.toml
├── Manifest.toml
├── analysis.jl
└── data/
    └── sales.csv

Project.toml

name = "MyAnalysis"
uuid = "a1b2c3d4-e5f6-7890-abcd-ef1234567890"
version = "0.1.0"
authors = ["You <you@example.com>"]

[deps]
CSV = "336ed68f-0bac-5ca0-87d4-7b16caf5d00b"
DataFrames = "a93c6f00-e57d-5684-b7b6-d8193f3e46c0"
Plots = "91a5bcdd-55d7-5caf-9e0b-520d859cae80"

[compat]
julia = "1.10"
Plots = "1.39"

Файл	Роль
Project.toml	Имя проекта, прямые зависимости, compat
Manifest.toml	Полный lock всех транзитивных версий

Коммитьте Manifest.toml в приложениях — так коллеги получат те же версии. Для библиотек иногда коммитят только Project.toml.

Аналог: venv + requirements.txt в Python, renv в R — tidyverse 104.

Шаг 3 — активация окружения

using Pkg
Pkg.activate(".")
Pkg.instantiate()   # установить из Manifest

В скрипте первые строки:

using Pkg
Pkg.activate(@__DIR__)

@__DIR__ — каталог файла скрипта; окружение подхватывается при запуске из любой папки.

Запуск из терминала:

julia --project=. analysis.jl

Флаг --project=. эквивалентен Pkg.activate для одной сессии.

Совместимость версий

# pkg>
add DataFrames@1.6
update

Секция [compat] ограничивает допустимые версии. Julia 1.x следует SemVer; мажорные обновления пакетов могут ломать API — фиксируйте Manifest перед релизом отчёта.

Шаг 4 — DataFrames и CSV

using Pkg
Pkg.activate(@__DIR__)

using DataFrames, CSV

df = CSV.read("data/sales.csv", DataFrame)
first(df, 5)
describe(df)

Фильтрация и агрегаты:

using Statistics

positive = filter(row -> row.amount > 0, df)

by_region = combine(
  groupby(positive, :region),
  :amount => sum => :total,
  :amount => length => :n,
  :amount => mean => :avg
)

sort!(by_region, :total, rev=true)

Сравнение с dplyr — tidyverse:

Задача	R (dplyr)	Julia (DataFrames)
Фильтр	`filter(amount > 0)`	`filter(row -> row.amount > 0, df)`
Группировка	`group_by(region)`	`groupby(df, :region)`
Агрегат	`summarise(total = sum(amount))`	`combine(..., :amount => sum => :total)`

Точка в sin.(x) и row.amount — broadcast и доступ к полям — см. типы.

Шаг 5 — Plots.jl, первый график

using Plots
gr()   # бэкенд GR — быстрый локально

x = 0:0.1:2π
y = sin.(x)

plot(x, y,
  label="sin",
  title="Демо",
  xlabel="x",
  ylabel="y",
  linewidth=2
)

savefig("sin.png")

Разбор:

0:0.1:2π — диапазон с шагом 0.1.
sin.(x) — поэлементный синус (broadcast).
plot создаёт новый график; savefig пишет PNG в текущий каталог.
gr() выбирает бэкенд GR до первого plot.

Несколько серий на одном графике

plot(x, sin.(x), label="sin", color=:blue)
plot!(x, cos.(x), label="cos", color=:red)

Суффикс ! — добавить на текущий график (plot!, scatter!).

Scatter и histogram

scatter(df.amount, df.price,
  xlabel="Amount",
  ylabel="Price",
  legend=false,
  alpha=0.6
)

histogram(df.amount,
  bins=20,
  title="Распределение amount",
  xlabel="Amount",
  fillalpha=0.5
)

Столбчатый график из агрегата

bar(by_region.region, by_region.total,
  xlabel="Region",
  ylabel="Total",
  legend=false,
  color=:steelblue
)

Шаг 6 — бэкенды и subplots

Backend	Когда использовать
GR	Локально, быстро, PNG/PDF
PlotlyJS	Интерактив в браузере
PyPlot	Привычный matplotlib
PGFPlotsX	LaTeX-публикации
UnicodePlots	Терминал без GUI

using PlotlyJS
plotlyjs()

plot(x, sin.(x), label="sin")
# интерактивное окно или HTML

Установка бэкенда:

# pkg>
add PlotlyJS

Subplots

p1 = plot(x, sin.(x), title="sin")
p2 = plot(x, cos.(x), title="cos")
plot(p1, p2, layout=(2, 1), size=(800, 600))
savefig("sin_cos.png")

layout=(rows, cols) задаёт сетку. size — пиксели итоговой картинки.

Plots и Makie

Plots.jl — единый простой API для старта. Makie.jl — современная grammar-of-graphics с большими возможностями 3D и интерактива. Для отчётов часто хватает Plots + GR.

Шаг 7 — сквозной analysis.jl

# analysis.jl
using Pkg
Pkg.activate(@__DIR__)

using CSV, DataFrames, Statistics, Plots

gr()

# 1. Загрузка
df = CSV.read("data/sales.csv", DataFrame)

# 2. Очистка
clean = filter(row -> row.amount > 0, df)

# 3. Агрегат по регионам
summary_df = combine(
  groupby(clean, :region),
  :amount => sum => :total
)
sort!(summary_df, :total, rev=true)

# 4. Графики
bar(summary_df.region, summary_df.total,
  title="Продажи по регионам",
  xlabel="Регион",
  ylabel="Сумма",
  legend=false
)
savefig("report/bar.png")

dates = sort(unique(clean.date))
# упрощённо: линия сумм по дате (если date в данных)
by_date = combine(groupby(clean, :date), :amount => sum => :daily_total)
plot(by_date.date, by_date.daily_total,
  marker=:circle,
  title="Динамика по дням",
  xlabel="Дата",
  ylabel="Сумма"
)
savefig("report/line.png")

println("Готово: report/bar.png, report/line.png")

Создайте каталоги заранее:

mkdir -p myanalysis/data myanalysis/report

Сравните вывод с tidyverse pipeline на том же sales.csv.

Шаг 8 — запуск, notebook, CI

Терминал

cd myanalysis
julia --project=. analysis.jl

Pluto.jl

# pkg>
add Pluto

using Pluto
Pluto.run()

Notebook с реактивными ячейками — удобно для исследования данных.

IJulia (Jupyter)

Pkg.add("IJulia")

Минимальный CI

- uses: julia-actions/setup-julia@v2
  with:
    version: '1.10'
- run: julia --project=. -e 'using Pkg; Pkg.instantiate(); include("analysis.jl")'

Связь с разделом анализа данных

Задача	Julia-пакет
Таблицы, ETL	DataFrames, CSV
Статистика	StatsBase, HypothesisTests
ML	Flux.jl, MLJ
Большие данные	Arrow, DuckDB.jl
Визуализация	Plots, Makie

Обзор — анализ данных; big data — 3.11/11; численные методы — математическое программирование.

Plots.jl, ggplot2 и matplotlib

Аспект	Plots.jl	ggplot2	matplotlib
API	Единый слой	Grammar of graphics	Императивный + OO
Большие массивы	Хорошо с GR	Средне	Зависит от backend
Экосистема stats	Растёт	Зрелая	Зрелая

Julia удобна, когда один язык и считает, и рисует на больших массивах без вызова Python.

Типичные ошибки Pkg и Plots

Симптом	Причина	Решение
`Package X not found`	Не в `[deps]`	`Pkg.add("X")`, `instantiate`
Разные версии на машинах	Нет Manifest в git	Коммит `Manifest.toml`
Долгий precompile	Первый `add`	Нормально; кэш в `~/.julia`
Конфликт версий	Несовместимый compat	`Pkg.resolve()`, правка `[compat]`
Пустой график	Неверные столбцы	`names(df)`, `describe`
`GR` не найден	Нет пакета GR	`add Plots` подтянет GR
Старый график в файле	`savefig` без имени	Явный путь `savefig("out.png")`
Медленный первый plot	JIT компиляция	Второй вызов быстрее

Практический чек-лист

mkdir myanalysis && cd myanalysis
Julia: ] activate . → add CSV DataFrames Plots
Положить sales.csv в data/
Написать analysis.jl с activate, read → filter → plot → savefig
julia --project=. analysis.jl — файлы в report/
Закоммитить Project.toml и Manifest.toml
Сравнить с R tidyverse на том же CSV

Упражнения

Создайте проект с activate . и добавьте только CSV и DataFrames; выведите describe для sales.csv.
Постройте histogram и density для столбца amount на одном layout=(2,1).
Переключите бэкенд на plotlyjs() и сохраните интерактивный HTML (подсказка: plotly() extension).
Зафиксируйте [compat] julia = "1.10" и проверьте Pkg.status() на второй машине с instantiate.
Перепишите combine(groupby(...)) в цикл по groupby — сравните читаемость с dplyr.

FAQ

Нужен ли отдельный conda/venv? Нет. Julia Pkg — встроенные окружения на проект.

Где хранятся пакеты? ~/.julia (или %USERPROFILE%\.julia на Windows). Каталог большой — не коммитьте в git.

Plots или Makie? Plots — быстрый старт; Makie — сложные 3D и кастомная графика.

Почему первый запуск долгий? JIT компилирует методы под конкретные типы. Повторные вызовы быстрее.

Как обновить пакеты? ] up или Pkg.update(); проверьте, что отчёты воспроизводятся.

Есть ли renv для Julia? Роль renv выполняют Project.toml + Manifest.toml.

Глоссарий

Термин	Определение
Pkg	Встроенный менеджер пакетов Julia
General	Основной реестр пакетов
Project.toml	Манифест прямых зависимостей
Manifest.toml	Lock-файл всех версий
activate	Привязка сессии к окружению проекта
instantiate	Установка пакетов по Manifest
compat	Ограничения совместимости версий
Backend	Движок отрисовки Plots (GR, Plotly…)
Broadcast	Поэлементные операции с точкой `.`
precompile	Кэш скомпилированного пакета

Что дальше

Makie.jl — grammar-of-graphics и 3D.
BenchmarkTools — профилирование hot loops.
PackageCompiler.jl — standalone binary.
DifferentialEquations — модели и визуализация траекторий.
Теория типов — типы и диспетчеризация.

Итог

Pkg даёт воспроизводимое окружение; Plots — быстрый путь от численного эксперимента к картинке для отчёта. Освойте activate, Manifest и один бэкенд (GR) — дальше масштабируйте на анализ данных.

Production-отчёты

Фиксируйте версию Julia в CI, коммитьте Manifest.toml, сохраняйте графики с явным dpi и размером. Для публикаций рассмотрите PGFPlotsX или экспорт SVG.

Шаг 9 — атрибуты графика Plots

plot(x, sin.(x),
  label="sin",
  linewidth=3,
  linecolor=:blue,
  linestyle=:dash,
  marker=:circle,
  markersize=4,
  background_color=:white,
  foreground_color=:black,
  grid=true,
  legend=:topright,
  size=(900, 500),
  dpi=150
)

Атрибут	Эффект
`linewidth`	Толщина линии
`linestyle`	`:solid`, `:dash`, `:dot`
`marker`	Маркер точки
`alpha`	Прозрачность
`size`	Размер canvas в пикселях
`dpi`	Плотность при сохранении

Шаг 10 — групповые цвета из DataFrame

using CategoricalArrays

clean = copy(df)
clean.region = categorical(clean.region)

scatter(clean.amount, clean.price,
  group=clean.region,
  xlabel="Amount",
  ylabel="Price",
  legend=:topright
)

group раскрашивает серии по столбцу — аналог color = region в ggplot2.

Шаг 11 — статистические графики

using Statistics

histogram(df.amount, bins=30, normalize=:probability)
histogram(df.amount, bins=30, normalize=:density)

# boxplot по группам — вектор групп
boxplot(clean.region, clean.amount, legend=false)

# violin — через StatsPlots
# pkg> add StatsPlots
using StatsPlots
@df clean violin(:region, :amount, legend=false)

Шаг 12 — работа с датами

using Dates

clean = transform(clean, :date => ByRow(Date) => :date)
sort!(clean, :date)

by_date = combine(groupby(clean, :date), :amount => sum => :daily_total)

plot(by_date.date, by_date.daily_total,
  marker=:circle,
  xlabel="Дата",
  ylabel="Сумма",
  xrotation=45
)

Julia Dates похож на lubridate в R — см. tidyverse.

Шаг 13 — цепочка как в dplyr

using DataFrames, Statistics

result = df |>
  (t -> filter(row -> t.amount > 0, t)) |>
  (t -> groupby(t, :region)) |>
  (g -> combine(g, :amount => sum => :total, :amount => mean => :avg)) |>
  (t -> sort(t, :total, rev=true))

Оператор |> (pipe) в Julia 1.5+ читается как pipeline в R.

Альтернатива с DataFramesMeta:

# pkg> add DataFramesMeta
using DataFramesMeta

@chain df begin
  @filter(:amount > 0)
  @group_by(:region)
  @summarize(:total = sum(:amount), :avg = mean(:amount))
  @orderby(:total, order=Rev)
end

Шаг 14 — экспорт и интерактив

using Plots
gr()

p = plot(x, sin.(x), label="sin")
savefig(p, "out/sin.png")
savefig(p, "out/sin.pdf")

# PlotlyJS — HTML
using PlotlyJS
plotlyjs()
p2 = plot(x, cos.(x))
# savefig(p2, "out/cos.html")  # при поддержке бэкенда

Для публикаций PDF через PGFPlotsX — векторная графика для LaTeX.

Шаг 15 — окружение в Jupyter и Pluto

IJulia

using Pkg
Pkg.add("IJulia")
# затем в Jupyter: New → Julia notebook

Первая ячейка:

using Pkg
Pkg.activate(".")
using CSV, DataFrames, Plots
gr()

Pluto

using Pluto
Pluto.run(1234)

Pluto реактивно пересчитывает ячейки при изменении зависимостей — удобно для обучения.

Шаг 16 — сравнение цикла и broadcast

# медленнее — scalar loop
y_loop = Vector{Float64}(undef, length(x))
for i in eachindex(x)
  y_loop[i] = sin(x[i])
end

# быстрее — broadcast
y_bc = sin.(x)

@assert y_loop ≈ y_bc

Broadcast — основа производительности Julia на численных графиках. Теория — типы и диспетчеризация.

Шаг 17 — интеграция с разделом анализа

Этап аналитики	Julia	R	Python
Загрузка	CSV.jl	readr	pandas
Очистка	filter transform	dplyr	pandas
Визуализация	Plots	ggplot2	matplotlib
Отчёт	Pluto / Jupyter	R Markdown	Quarto

Сквозной контекст — анализ данных.

Дополнительные упражнения

Постройте heatmap случайной матрицы 10×10 с color=:viridis.
Сохраните один график в PNG 300 dpi и PDF — сравните размер файлов.
Используйте @time для сравнения sin.(x) и цикла на x длиной 1_000_000.
Добавьте StatsPlots и постройте violin по region.
Создайте Pluto-notebook с activate и тремя ячейками read → plot → savefig.

Дополнительный FAQ

Почему график не обновляется в скрипте? plot возвращает объект; передайте его в savefig(plot, path).

Как задать шрифт? Зависит от бэкенда; GR поддерживает ограниченный набор. Для полного контроля — PGFPlotsX.

Нужен ли Python для PyPlot? Да, бэкенд PyPlot вызывает matplotlib — установите Python и PyCall.

Как ускорить повторные plot? Первый вызов компилирует; держите сессию Julia открытой или используйте --project в одном процессе.

Где хранить большие данные? Arrow.jl, DuckDB.jl — см. big data в анализе.

Разбор analysis.jl — блоками

Блок	Ответственность
`Pkg.activate`	Правильное окружение
`CSV.read`	Ввод
`filter` / `groupby`	Трансформация
`gr()`	Выбор рендерера
`bar` / `plot`	Визуализация
`savefig`	Артефакт для отчёта
`println`	Подтверждение в CI

Полный walkthrough — myanalysis с тестом в CI

Структура

myanalysis/
├── Project.toml
├── Manifest.toml
├── data/sales.csv
├── src/
│   └── MyAnalysis.jl
├── test/
│   └── runtests.jl
└── analysis.jl

src/MyAnalysis.jl

module MyAnalysis

using CSV, DataFrames, Statistics

export load_sales, summarize_by_region

function load_sales(path::AbstractString)
  CSV.read(path, DataFrame)
end

function summarize_by_region(df::DataFrame)
  positive = filter(row -> row.amount > 0, df)
  combined = combine(
    groupby(positive, :region),
    :amount => sum => :total,
    :amount => length => :n
  )
  sort!(combined, :total, rev=true)
end

end

test/runtests.jl

using Test
using DataFrames
include("../src/MyAnalysis.jl")
using .MyAnalysis

@testset "summarize" begin
  df = DataFrame(region=["N","N","S"], amount=[10.0, 5.0, 0.0])
  result = summarize_by_region(df)
  @test nrow(result) == 2
  @test result[1, :total] == 15.0
end

Запуск тестов

# pkg> test

julia --project=. -e 'using Pkg; Pkg.test()'

analysis.jl — точка входа

using Pkg
Pkg.activate(@__DIR__)
using CSV, DataFrames, Plots
include("src/MyAnalysis.jl")
using .MyAnalysis

gr()
df = load_sales("data/sales.csv")
summary_df = summarize_by_region(df)
bar(summary_df.region, summary_df.total, legend=false)
savefig("report/bar.png")

Сравните summary_df с выводом tidyverse на том же файле.

Ссылки на смежные темы

Тема	Материал
Основы Julia	2.md
Broadcast	4.md
Первая программа	7.md
tidyverse	R 104
Анализ данных	3.11
Численные методы	3.12

В подборках

Статья входит в маршрут Julia и сопоставляется с tidyverse в R и pandas в рамках анализа данных.

Практикум — шаг 9: StatsPlots

using StatsPlots
histogram(df.amount, bins=20, label="")

Практикум — шаг 10: DataFramesMeta

using DataFramesMeta

@chain df begin
  @filter(:amount .> 0)
  @transform(:tax = :amount .* 0.2)
  @by(:region, :total = sum(:amount))
end

Практикум — шаг 11: Dates и группировка

using Dates

df[!, :month] = map(d -> Dates.month(d), df.date)
combine(groupby(df, :month), :amount => sum => :total)

Практикум — шаг 12: PackageCompiler (обзор)

using PackageCompiler
create_app("analysis.jl", "MyApp")

Standalone binary для отчётов без установки Julia на целевой машине.

Воркшоп Julia (60 мин)

Мин	Задача
0–10	activate + add
10–25	CSV read
25–40	combine groupby
40–55	bar + savefig
55–60	--project run

Troubleshooting Julia

Симптом	Решение
Package not found	Pkg.add, instantiate
Manifest drift	commit Manifest
precompile slow	норма первый раз
empty plot	names(df)

FAQ Julia

conda? — не нужен, Pkg встроен.

Plots vs Makie? — старт vs 3D.

Первый запуск медленный? — JIT warmup.

renv аналог? — Project + Manifest.

Дополнительные сценарии (Pkg/Plots)

Сценарий A: activate в скрипте

using Pkg; Pkg.activate(@__DIR__)

Сценарий B: pkg> add и status

# ] add CSV
# st

Сценарий C: GR backend

using Plots; gr()
plot(1:10, rand(10))
savefig("test.png")

Сценарий D: groupby combine

combine(groupby(df, :region), :amount => sum => :total)

Сценарий E: Manifest на второй машине

git clone ... && julia --project=. -e 'using Pkg; Pkg.instantiate()'

Упражнения — контрольная точка

DataFramesMeta @chain pipeline.
plotlyjs() + сохранение HTML.
subplot sin/cos layout (2,1).
CI с julia-actions/setup-julia.
Тот же CSV что в R 104.

Pkg и Plots в Julia​

Навигация по блоку Julia​

Шаг 1 — REPL-режим Pkg​

Шаг 2 — структура проекта​

Project.toml​

Шаг 3 — активация окружения​

Совместимость версий​

Шаг 4 — DataFrames и CSV​

Шаг 5 — Plots.jl, первый график​

Несколько серий на одном графике​

Scatter и histogram​

Столбчатый график из агрегата​

Шаг 6 — бэкенды и subplots​

Subplots​

Шаг 7 — сквозной analysis.jl​

Шаг 8 — запуск, notebook, CI​

Терминал​

Pluto.jl​

IJulia (Jupyter)​

Минимальный CI​

Связь с разделом анализа данных​

Plots.jl, ggplot2 и matplotlib​

Типичные ошибки Pkg и Plots​

Практический чек-лист​

Упражнения​

FAQ​

Глоссарий​

Что дальше​

Шаг 9 — атрибуты графика Plots​

Шаг 10 — групповые цвета из DataFrame​

Шаг 11 — статистические графики​

Шаг 12 — работа с датами​

Шаг 13 — цепочка как в dplyr​

Шаг 14 — экспорт и интерактив​

Шаг 15 — окружение в Jupyter и Pluto​

IJulia​

Pluto​

Шаг 16 — сравнение цикла и broadcast​

Шаг 17 — интеграция с разделом анализа​

Дополнительные упражнения​

Дополнительный FAQ​

Разбор analysis.jl — блоками​

Полный walkthrough — myanalysis с тестом в CI​

Структура​

src/MyAnalysis.jl​

test/runtests.jl​

Запуск тестов​

analysis.jl — точка входа​

Ссылки на смежные темы​

В подборках​

Практикум — шаг 9: StatsPlots​

Практикум — шаг 10: DataFramesMeta​

Практикум — шаг 11: Dates и группировка​

Практикум — шаг 12: PackageCompiler (обзор)​

Воркшоп Julia (60 мин)​

Troubleshooting Julia​

FAQ Julia​

Дополнительные сценарии (Pkg/Plots)​

Сценарий A: activate в скрипте​

Сценарий B: pkg> add и status​

Сценарий C: GR backend​

Сценарий D: groupby combine​

Сценарий E: Manifest на второй машине​

Упражнения — контрольная точка​

Связанные темы

См. также

История языка Julia

Простые приложения на Julia

Основы языка Julia

Архитектура высокопроизводительных вычислений

Типы данных и множественная диспетчеризация

Управляющие конструкции и операторы Julia

Функции и макросы

Первая программа на Julia

📄️Julia — итоги

Pkg и Plots в Julia

Навигация по блоку Julia

Шаг 1 — REPL-режим Pkg

Шаг 2 — структура проекта

Project.toml

Шаг 3 — активация окружения

Совместимость версий

Шаг 4 — DataFrames и CSV

Шаг 5 — Plots.jl, первый график

Несколько серий на одном графике

Scatter и histogram

Столбчатый график из агрегата

Шаг 6 — бэкенды и subplots

Subplots

Шаг 7 — сквозной analysis.jl

Шаг 8 — запуск, notebook, CI

Терминал

Pluto.jl

IJulia (Jupyter)

Минимальный CI

Связь с разделом анализа данных

Plots.jl, ggplot2 и matplotlib

Типичные ошибки Pkg и Plots

Практический чек-лист

Упражнения

FAQ

Глоссарий

Что дальше

Шаг 9 — атрибуты графика Plots

Шаг 10 — групповые цвета из DataFrame

Шаг 11 — статистические графики

Шаг 12 — работа с датами

Шаг 13 — цепочка как в dplyr

Шаг 14 — экспорт и интерактив

Шаг 15 — окружение в Jupyter и Pluto

IJulia

Pluto

Шаг 16 — сравнение цикла и broadcast

Шаг 17 — интеграция с разделом анализа

Дополнительные упражнения

Дополнительный FAQ

Разбор analysis.jl — блоками

Полный walkthrough — myanalysis с тестом в CI

Структура

src/MyAnalysis.jl

test/runtests.jl

Запуск тестов

analysis.jl — точка входа

Ссылки на смежные темы

В подборках

Практикум — шаг 9: StatsPlots

Практикум — шаг 10: DataFramesMeta

Практикум — шаг 11: Dates и группировка

Практикум — шаг 12: PackageCompiler (обзор)

Воркшоп Julia (60 мин)

Troubleshooting Julia

FAQ Julia

Дополнительные сценарии (Pkg/Plots)

Сценарий A: activate в скрипте

Сценарий B: pkg> add и status

Сценарий C: GR backend

Сценарий D: groupby combine

Сценарий E: Manifest на второй машине

Упражнения — контрольная точка