Julia是一种快速、动态、可组合的通用编程语言，非常适合统计数据分析、机器学习、自动微分、其他数值建模以及更通用的程序。它感觉像一种脚本语言，但运行时是编译的——使用即时（JIT）编译器技术来动态编译代码。它从一开始就被设计为支持多线程、多处理和分布式多处理。 Julia 解决了“双语言”问题——您不需要一种语言来实现易于使用的原型，也不需要另一种语言来提高速度——因为 Julia 已经易于使用且速度很快。您可以用 Julia 本身编写高性能代码。
该提案将支持 Julia，类似于当前支持 Python 的方式。
两种语言之间的数据类型高度兼容
| JMP 数据类型 | 朱莉娅数据类型 |
| 布尔值 | 布尔值 |
| 数据表 | 数据帧.jl |
| 关联数组 | 字典 |
| 数字 | 浮点64 |
| 矩阵 | Float64 矩阵 |
| 列表 | 元组 |
| 细绳 | 统一码字符串 |
与 Python 相比，Julia 的优势之一是没有 Numpy——该功能只是内置的。
此外，JMP 可以使用 PackageCompiler.jl 来创建包含 JMP 所需的所有包的独立 Julia 二进制文件，并使用 JMP 进行分发，而不是告诉用户需要安装哪些包。 Julia 集成可以开箱即用（或“安装程序完成后”）。高级 Julia 用户可以选择替换它，但对于其他人来说，它就可以了。
Julia 是统计、机器学习和科学计算领域中一门令人兴奋且发展迅速的语言。请参阅 Lee Phillips 的《Julia 编程语言不合理的有效性》 （10/9/2020）。
添加对 Julia 的支持还可以让用户将一些最先进的工具和编码放入他们的 JSL 脚本中。
我在这里分享了一些使用 JSL 调用 Julia 的说明https://community.jmp.com/t5/JMPer-Cable/How-to-The-Julia-programming-language-in-JMP/ba-p/480125 。 这有点复杂，但我发现它可以用于一些简单的工作流程。
关于数据类型的另一注释； Julia 对缺失值有很好的支持
| JMP 数据类型 | 朱莉娅数据类型 |
| 空的（） | 没有什么 |
| 丢失的 （。） | 丢失的 |
