Julia中是否有类似R的_targets的管道框架？结果存储方法咨询

类似 R targets 的工作流框架 #

• Targets.jl：这是对标 R 中 targets 的Julia实现，核心功能完全对齐——自动追踪任务依赖、仅重新运行过时的步骤，支持结果缓存，专为可复现的数据分析管道设计。用@target宏定义任务节点，通过run_targets()执行整个管道，能智能识别哪些步骤因输入变化需要更新，避免冗余计算。
• DrWatson.jl：虽不是专门的管道框架，但它的项目管理工具+produce_or_load函数能实现类似的增量运行逻辑。produce_or_load会检查结果文件是否存在，若存在直接加载，不存在则运行代码生成结果并保存，同时@quickactivate能帮你快速切换项目环境，适合中小型研究项目的可复现工作流。
• WorkflowTools.jl：提供灵活的任务依赖编排、缓存机制和并行执行支持，能自动检测任务是否过时，适合需要构建复杂多阶段任务管道的场景。

研究结果的常用存储方式 #

• JLD2.jl：Julia生态中最常用的二进制存储方案，可直接保存几乎所有Julia数据类型（DataFrame、多维数组、自定义结构体等），读写速度快，能完整保留数据的类型信息。示例：

  using JLD2
  save("analysis_results.jld2", "processed_data", df, "trained_model", model)
  

• CSV.jl：用于导出表格类数据（如DataFrame），是跨工具交互的通用选择，兼容R、Python、Excel等。示例：

  using CSV, DataFrames
  CSV.write("tabular_results.csv", my_dataframe)
  

• Feather.jl：基于Apache Feather格式，专为跨语言表格数据存储设计，读写速度远快于CSV，同时保留列类型信息，适合中等规模的表格结果存储。
• JSON3.jl：适合存储结构化文本数据（如实验配置、模型参数、统计指标），能将Julia字典、结构体直接序列化为JSON，方便查看和跨工具共享。示例：

  using JSON3
  write("experiment_config.json", JSON3.write(config_dict))
  

• Parquet.jl：针对大规模数据集的列式存储格式，压缩率高、读写效率优异，适合处理TB级别的分析结果，也能无缝对接大数据生态（如Spark）。

内容的提问来源于stack exchange，提问作者MarcellGranat