這段時間學習了<R高性能編程>這本書，基於這段時間做的項目實踐，總結了一些自己的體會，和大家分享
一、為什么R程序有時候會很慢？
1、計算性能的三個限制條件 cpu ram io R代碼本身
2、R是運行時解釋的 在運行時解釋並執行R代碼
3、R是單線程的 CPU的強大核心並沒卵用，R只會只用一個
4、R需要將全部數據加載到內存 處理的最大數據了取決於內存的限制
這里 linux相比於windows有一個優勢，當我們試圖裝載一個可用內存大小的數據集
數據可能會成功裝載，不過一旦可用內存耗盡，操作系統會將內存中的數據換到磁盤(交換空間)上
的交換文件，R人為數據全部裝載入內存時間上OS正在做內存和磁盤文件的數據交換工作，如此一來，磁盤IO瓶頸對R性能就有着巨大的影響
5、算法設計影響時間和空間復雜度
時間復雜度：運行R程序需要的計算時間和數據規模之間的關系
空間復雜度：運行R程序需要的內存量和數據規模之間的關系
二、衡量代碼的性能常用辦法
使用system.time() benchmark() microbenchmark()
Rprof() 的工作原理是在運行R表達式的時候 ，觀察R的調用棧，並以固定的時間，默認是0.02秒，對調用棧進行快照
，從而確定函數當前正在執行什么操作。通過這些快照，summaryRprof 能夠計算每個函數的耗時
要理解R程序各個部分的性能，快速發現瓶頸，Rprof 是個很有用的工具
內存分析 memory.profiling=TRUE 這個指標會有誤導，會偏高，因為有些函數內存尚未釋放，
三、加快R運行的簡單方法
1、盡量向量化運算，避免循環
2、使用內置函數。 R中存在很多低級運算符，雖然這些運算符可以組成更加復雜的運算符或者函數，但是和編譯性語言相比性能很差，
但是R提供了很多C++編寫的計算包。
比如計算 矩陣每一行的和，一般用apply可以解決問題，但是內置函數 rowSums，性能提升11倍，rowSums是使用C預編譯的優化函數
開源社區開發了很多函數優化庫供R使用，比如 basic linear algebra subprograms (BLAS) 詳見：www.netlib.org.blas
3、預分配內存
為什么要預分配內存呢？主要是因為動態分配內存會拖慢程序的運行速度，每當向量大小發生變化，程序都需要做一些額外的工作
經過測試在一個簡單的加法運算中，1000 長度的向量的計算，預分配內存之前為25.373秒，之后為0.577 秒
4、使用簡單的數據結構
5、使用更加簡單的數據結構
比如 如果可以的話，盡量使用matrix 而不是 dataframe，因為大部分矩陣操作首先要把dataframe強制轉換為matrix，才開始計算。
如果數據中存在多種變量類型，不可避免的要使用dataframe的時候，盡量用subset 和 which 篩選子集后再做運算。
6、使用哈希表進行大型數據上的頻繁查找
一個包含N個元素的列表上的查找操作的時間復雜度是O(N) 列表越靠后，查找時間越長，隨着N的增加，情況越嚴重。
CRAN 上可用的R 包是hash， 哈希表上查找操作的時間復雜度為O(1)
7、去CRAN上尋找更快的包
例如：fastcluster，princomp，fastmatch，RcppEigen，data.table，dplyr
四、使用編譯代碼加快運行速度
1、在運行之前編譯R代碼 因為每次運行前都需要解析和評估代碼。這需要話費大量CPU時間，拖慢運行速度。
利用compiler 包，能在一定程度上減少此問題，提前預編譯。
cmpfun 編譯函數
compile 編譯表達式
cmpfile 編譯存儲在文件中的R表達式
2、即時編譯 激活JIT（just in time） compiler 包的enableJIT
3、在R中使用編譯語言 在R中嵌入C、C++、OC、OC++（inline包）
4、調用外部編譯代碼 Rcpp rJava
5、使用編譯代碼的注意事項
6、創建R對象及垃圾回收
預分配變量內存，PROTECT防止R的垃圾收集器清理對象。 UNPROTECT 解除已分配內存的保護
五、使用GPU讓R運行的更快
這里需要注意的是在計算pearson相關性的時候，GPU是比CPU慢的
1、GPU最大的優勢是核心數量巨多，所以最適合數據的並行問題，不適合那些線程之間需要大量同步的任務。
2、GPU的性能主要取決於主內存（RAM）和GPU內存之間的數據傳輸量，因為RAM和CPU內存之間的連接寬帶很低。
優秀的GPU編程應該最小化這種傳輸
----------好了，截止到這里 我們已經了解了R為什么會慢以及如何衡量R代碼的性能的問題；並且突破了CPU 限制，提升R程序性能的技術。
后面會以內存和IO方面作為突破口來優化代碼，未完待續.....
原文出處：http://www.cnblogs.com/qiaoyihang/p/7779144.html