1 理解R的性能：为什么R程序有时候很慢？

计算性能的三个限制因素：CPU、RAM和磁盘I/O

R是运行时解释的

R是单线程的

R需要将全部数据加载到内存

算法设计影响时间和空间复杂度

小结

2 性能分析：衡量代码的性能

衡量总运行时间

使用system.time()衡量运行时间

使用rbenchmark重复衡量运行时间

使用microbenchmark衡量运行时间的分布

分析运行时间

使用Rprof()分析函数的性能

性能分析的结果

分析内存使用情况

使用OS工具监控内存、CPU使用情况和磁盘I/O

瓶颈的发现及解决

小结

3 加快R运行的简单方法

向量化

使用内置函数

预分配内存

使用更简单的数据结构

使用哈希表进行大型数据上的频繁查找

去CRAN寻找更快的包

小结

4 使用编译代码加快运行速度

在运行之前编译R代码

编译函数

即时编译（JIT）R代码

在R中使用编译语言

前提条件

以内联形式包含编译代码

调用外部编译代码

使用编译代码的注意事项

小结

5 使用GPU让R运行得更快

GPU上的通用计算

R和GPU

安装gputools

使用gputools实现快速统计建模

小结

6 减少内存使用的简单方法

重用对象而不多占用内存

删除不再需要的中间数据

运行时计算值而不是永久性存储值

交换活跃数据和非活跃数据

小结

7 使用有限的内存处理大型数据集

使用节约内存的数据结构

更小的数据类型

稀疏矩阵

对称矩阵

比特向量

使用内存映射文件并以块的形式处理数据

bigmemory包

ff包

小结

8 使用并行计算加倍提升性能

数据并行性v.s.任务并行性

实现数据并行的算法

实现任务并行的算法

集群节点运行同一个任务时

集群节点运行多个不同任务时

计算机集群并行执行多个任务

共享内存并行性v.s.分布式内存并行性

优化并行的性能

小结

9 将数据处理交给数据库系统

将数据抽取到R v.s.在数据库中处理数据

在关系型数据库中使用SQL进行数据预处理

将R表达式转化为SQL

使用dplyr

使用PivotalR

在数据库中运行统计和机器学习算法

使用列式数据库提升性能

使用数据库阵列最大化科学计算的性能

小结

10 R和大数据

理解Hadoop

在Amazon Web Services上配置Hadoop

使用Hadoop批量处理大型数据集

将数据上传到HDFS

使用RHadoop分析HDFS数据

R中的其他Hadoop包

小结