R語言的未來發展趨勢

雖然R語言有諸多優勢，但它并不是萬能的——它畢竟是統計編程類語言。受到其算法架構的通用性以及速度性能方面的影響，因此其初始設計完全基于單線程和純粹的內存計算。雖然一般情況下無關R的使用，但在當今大數據條件下，這兩個設計思路的劣勢逐漸變得愈加刺眼。好在R的一些優秀的擴展性包解決了上述問題，例如：

snow 支持 MPI、PVM、nws、Socket 通信，解決單線程和內存限制；

multicore 適合大規模計算環境，主要解決單線程問題；

parallel R 2.14.0 版本增加的標準包，整合了 snow 和 multicore 功能；

R + Hadoop 在 Hadoop 集群上運行R代碼；

RHIPE 提供了更友好的R代碼運行環境，解決單線程和內存限制；

Segue 利用 Amazon’s Web Services（EC2）。

這里需要著重提一下 parallel 包，該包是R核心團隊為了解決大數據計算問題而在標準安裝程序下新增的功能包

一些誤區

很多人認為R語言是 GNU 開源項目軟件，因此軟件的使用是“沒有任何保證”的。但在美國，R的計算結果被 FDA（Food and Drug Administration） 所承認；并且有報告指出與其他商業軟件相比，R的 Bug 數量非常少【注：UCLA （2006）。 R relative to statistical packages. Technical report， UCLA.】。

R 開發的核心團隊對于R的新功能持異常謹慎的態度，比如 cairographics 從 2007 年開始醞釀，直到上一個大版本（2011年）才引入到R標準安裝程序；byte-compile 功能更是經歷了從 1999-2011年近 12 年的孵化【注：Ripley，B. （2011）。 The r development process. Technical report，Department of Statistics，University of Oxford.】。從這個角度講，R語言的代碼質量以及運算結果的可信性是完全可以保證的。

當然，這里所說的是R的標準安裝程序包，并不代表所有擴展包的質量。畢竟 3400+ 的擴展包質量良莠不齊，雖然不乏一些優秀的包（如 Rcpp、RODBC、VGAM、rattle），但必然存在一些擴展包質量不佳的情況。

應用的思考

R 語言并不是人人都能接觸到的語言，相對要小眾很多，有些人即便接觸到沒準也搞不清楚R到底有什么用途。對于走上這條路的人，經常會有一些應用困難，比如從個人學習角度而言。

雖然R語言的設計之初就是避免通過大量編程實現統計算法，但最基本的編程能力還是需要的，因此對于一般非計算機專業的工作者來說無疑提高了難度。

還有很多人提到，R語言的學習曲線非常陡峭。但從我多年的使用經驗上看，陡峭的學習曲線并不是因為R語言本身，而是隱藏在后面的統計知識很難在短時間內掌握的緣故。

從公司商業應用的角度而言，也存在一些不可回避的問題。

首先是人力資源成本如何核算。

軟件成本問題，由于R是自由軟件，可以隨時隨地下載，因此對于企業來說如何度量成本是一個問題。

R的技能核定并沒有官方或機構標準，簡歷上“熟練使用R語言”可能沒有任何意義。

實際上，即便沒有上述兩個問題，企業想招到R相關的人才也不那么簡單。

對于大量工作已由其他軟件實現（比如用 SAS）的公司來講，轉化成本很高。

技術支持獲取的問題。

R語言在現實中的應用

R語言在現實中的應用有哪些？主要有以下幾種?

1.數據科學

“哈佛商業評論”將數據科學家命名為“21世紀最性感的工作”。 Glassdoor將其命名為2016年的“年度最佳工作”。隨著IoT設備的誕生，創建了可用于做出更好決策的TB級和TB級數據，數據科學是一個沒有其他方法可以追溯到的領域。

簡單的解釋說，數據科學家是一位具有額外資產的統計學家：計算機編程技能。 像R語言這樣的編程語言給數據科學家超能力，讓他們能夠實時收集數據，執行統計和預測分析，創建可視化和向利益相關者傳達可行動的結果。

大多數數據科學課程包括R語言課程中，因為它是數據科學家最喜歡的工具。

2.統計計算

R語言是統計學家中最流行的編程語言。 事實上，它最初是由統計學家為統計學家建立的。 它有一個豐富的軟件包存儲庫，擁有超過9100個軟件包，您可以用于計算每個統計功能。

R語言的表達語法允許研究人員 - 即使是來自非計算機科學背景的研究人員，可以從各種數據源快速導入，清理和分析數據。

R語言還具有圖表功能，這意味著您可以繪制數據并從任何數據集創建有趣的可視化圖形。

3.機器學習

R語言已經在預測分析和機器學習中發現了很多用途。它具有用于常見ML任務的各種包，如線性和非線性回歸，決策樹，線性和非線性分類等等。

從機器學習愛好者到研究人員的每個人都可使用R語言來實現機器學習算法，如金融，遺傳學研究，零售，營銷和醫療保健等領域。