1.内存查看
memory.limit()：查看内存大小 memory.limit(n)：申请内存大小 memory.size(NA)：查看内存大小 memory.size(T)：查看已分配的内存 memory.size(F)：查看已使用的内存
2.内存申请
在Windows开始菜单运行：
Rgui -max-mem-size 8GB
与在R GUI中执行：
memory.limit(8)
都能申请8GB使用内存
3.垃圾清除
rm(x)：从workplace中删除变量/文件x gc()：清除内存垃圾 rm(list=ls())：清除workplace中所有变量
4.提升R的性能和突破内存限制的技巧
4.1性能提升的方法
4.1.1 系统升级
升级硬件
使用64位操作系统
利用GPU
租用云计算服务器
4.1.2 开发层面的优化
算法降低算法复杂度
调用C/C++或者Fortran关键的、耗时的计算步骤
缓冲技术减少重复计算
4.1.3 使用层面的优化
充分利用R的内存机制——R的基础优化
增强R的矩阵运算——加速BLAS
并行计算
大规模数据的处理——图片内存限制
使用Revolution R Enterprise（RRE）
4.2 充分利用R的内部机制优化性能
4.2.1向量化
向量化的代码，不要用循环！
利用矩阵运算
利用内置的向量化函数，比如exp、sin、rowMeans、rowSums、colSums、ifelse等
利用Vectorize函数将非向量化的函数改装为向量化的函数
*apply函数族：apply、lapply、sapply、tapply、mapply等
plyr和dplyr包Rstudio发布的data wrangling cheat sheet
##利用矩阵运算
n <-
x1 <- :n
x2 <- :n
y <- vector()
system.time(
:n){y[i] <- x1[i] + x2[i]}
)
system.time(y <- x1 + x2)
## 利用向量化运算
## 内置的向量化函数
v <- :
result <- rep(:)
system.time(
:){result[i] <- sin(v[i])}
)
system.time(result <- sin(v))
## 利用rowMeans、rowSums、colSums、colMeans等函数对矩阵或数据库做整体处理
colSums(iris[,:])
利用R内置的向量化函数，自定义向量化函数，只要在函数定义时每个运算是向量化的。但是在函数定义时用了逻辑判断语句，就会破坏的向量化特征。
func <- function(x){
== ){
ret <- TRUE
}else{
ret <- FALSE}
return(ret)
}
func()
func(c(,,,))
## Warning message:
## In == ) { :
## the condition has length > and only the first element will be used
## 在函数的定义中有if语句，不能接受向量作为判断的条件，否则判断第一个元素。
## 利用ifelse函数做向量化的判断
myfunc <- function(x){
ifelse(x %% == ,TRUE,FALSE)
}
myfunc(c(,,,))
##利用Vectorize函数将非向量化的函数改装为向量化的函数
funcv <- Vectorize(func)
funcv(c(,,,))
##利用sapply函数向量化运算
sapply(c(,,,),func)
4.2.2预先给对象分配内存
R为解释性语言，也是动态语言，如果不事先指定对象的类型和长度，在运算过程会动态分配内存，提高灵活性，但降低了效率。
尽量减少cbind、rbind的使用
## 求出10000个斐波那契数
x <- c(,)
i <-
system.time(
){
]
x <- cbind(x,new)
i <- i +
}
)
## 指定类型和长度
x <- vector(mode=)
x[] <-
x[] <-
system.time(
){
i <- i +
x[i] <- x[i-] + x[i-]
}
)
4.2.3避免内存拷贝
假设我们有许多彼此不相关的向量，但因为一些其他的原因，我们希望将每个向量的第三个元素设为8，既然它们是互不相关的，甚至可能具有不同的长度，我们也许会考虑将它们放在一个列表中：
m <- n <- z <- list() :m) z[[i]] <- sample(:, n, replace = T) system.time(:m) z[[i]][] <- ) ## 把这些向量一起放到矩阵中 z <- matrix(sample(:, m * n, replace = T),nrow = m) system.time(z[,] <- )
4.2.4删除临时对象和不再用的对象
rm()删除对象
rm(object)删除指定对象，rm(list = ls())可以删除内存中的所有对象gc()内存垃圾回收
使用rm(object)删除变量，要使用gc()做垃圾回收，否则内存是不会自动释放的。invisible(gc())不显示垃圾回收的结果
4.2.5分析内存的函数
ls()列出特定环境中的对象object.size()返回R对象的大小（近似的）memory.profile()分析cons单元的使用情况memory.size()监测全部内存的使用情况（仅Windows下可用）
memory.size(max=T)返回历史占用过的最大内存；memory.size(max=F)返回目前占用的内存。未做垃圾清理时，已使用内存和已分配内存同步增加，但在垃圾清理后rm(list=ls());gc()，已使用内存会减少，而已分配给R的内存不会改变。memory.limit()系统可分配的内存上限（仅Windows下可用）
memory.limit(newLimit)更改到一个新的上限。 注意，在32位的R中，封顶上限为4G，你无法在一个程序上使用超过4G （数位上限）。这种时候，可以考虑使用64位的版本。