Pqr eignet sich für parallele Programmierung, da automatisch mehrere Prozessorkerne genutzt werden können. Der Interpreter ist in C geschrieben und nur unter Linux lauffähig. Kompilierung von Bytecode und eine bessere Implementierung von Java aus. Garbage Collection findet parallelisiert statt. Providern wie Google App Engine, Amazon Beanstalk oder Salesforce Heroku abzulegen.
Renjin wird durch das Unternehmen BeDataDriven unterstützt. Er ist in Zusammenarbeit der Oracle Labs mit der Purdue University und der Universität Linz entstanden und ermöglicht Nebenläufigkeit. Kompilierung von Bitecode nutzt. Die Lazy Evaluation von R wurde dabei überarbeitet, sodass weniger interne Variablen in Zwischenschritten erstellt werden. Riposte ermöglicht implizite Nebenläufigkeit mit mehreren Kernen und verwendet Streaming SIMD Extensions sowie Advanced Vector Extensions von Prozessoren. Funktion in R, die es ermöglicht den Code zu betrachten, der zur Erstellung eines bestimmten Objektes geführt hat.
Außerdem wurde die Dokumentation verbessert. Funktionen zusammen mit selbst entwickelten Komponenten anbietet. Im April 2015 schloss Microsoft den Kauf von Revolution Analytics ab. Verbesserungen ein durch die Ersetzung von BLAS und LAPACK mit der Intel Math Kernel Library. Analysen geeignet sind und mit dem Präfix Rx beginnen. neu geschrieben wurden und parallelisiert angewandt werden können.
Datei und Daten werden dabei nur dann eingelesen, wenn sie benötigt werden. Durch die Speicherung auf der Festplatte gilt die Begrenzung durch den internen Speicher nicht mehr. API für JSON und XML. Server verwaltet, die Datenbank mit Hilfe von MongoDB. Datenbank analysiert werden, was die Effizienz erhöht. Es findet eine implizite Übersetzung von R nach SQL statt.
Mining enthält, bilden die Oracle Advanced Analytics Option. IBM bietet eine Integration von R in die eigene InfoSphere BigInsights, welche Hadoop as a Service inklusive HBase und Hive beinhaltet und an einige Datenbanken und Webservices angebunden werden kann. sind mittels R Analysen möglich. für schnelle Analysen großer Datenmengen ein.
Funktionen für Analysen auf großen Datenmengen auf Grundlage von verteiltem Rechnen implementiert. Datenbank Bestandteil der Software HP Haven Predictive Analytics. Fragestellungen einheitlich, führt sie in R aus und überführt sie in die eigenen Produkte ADAPA und UPPI. integriert R zur Anwendungsprogrammierung mit verteiltem Rechnen. kann R für Online Analytical Processing verwendet werden. Pakete, bei denen Statistik oder Mathematik einen Schwerpunkt bildet, stellen Schnittstellen zu R bereit oder bieten eine Integration.
Auf die Funktionalität von R können zahlreiche Skriptsprachen zugreifen. geschriebene Module für R verfügbar. Die gemeinnützige R Foundation for Statistical Computing besitzt und verwaltet das Urheberrecht von R und die Dokumentation. Zudem dient ihre Rolle der Kommunikation mit der Presse und an R interessierten Organisationen.
Die R Foundation finanziert sich durch Mitgliedsbeiträge und Spenden. Versionen, neue Pakete sowie Anwendertipps und Tutorials. Vor der ersten Ausgabe im Juni 2009 gab es die R News. Jährlich findet die Konferenz useR!
Die erste dieser Veranstaltungen war useR! im Mai 2004 in Wien. Mailinglisten wurden eingerichtet und sind für Anwender mit Fragen zu R geöffnet. Antworten auf Fragen erfolgen häufig zügig, manchmal von Mitgliedern des R Core Teams. Mehrere größere Unternehmen, die R nutzen oder ihr Geschäftsmodell darauf abstützen, schlossen sich 2015 zum R Consortium als Teil der Linux Foundation zusammen.
Ziel ist insbesondere die Verbesserung der geschäftlichen Infrastruktur, um R im Unternehmensumfeld komfortabler einsetzen zu können. Packard, Ketchum Trading, Mango Solutions und Oracle. und ESRI traten später bei. Um R besser in Unternehmensprozesse einbinden zu können, sollen gezielt Projekte gefördert werden. Paketen vereinfacht werden soll. ist das umfassendste Werkzeug für statistische Analysen sowohl bezüglich der bereits implementierten Methoden als auch bezogen auf das Potential, das die Sprache für weitere statistische Fragestellungen bietet.
Der Code der statistischen Methoden ist offen einsehbar und wurde schon von vielen studierten Statistikern mit Erfahrung in der Anwendung gesichtet und verbessert zudem ist R von der Food and Drug Administration für medizinische Zwecke validiert. steht unter einer freien Lizenz und ist Open Source und kann somit leicht auf individuelle Vorlieben angepasst werden und durch eigene Methoden erweitert werden. Außerdem kostet R keine Lizenzgebühr und kann auf verschiedenen Betriebssystemen genutzt werden.
Auch die Datenstrukturen erlauben Flexibilität. Der Funktionsumfang von R wird durch zahlreiche Pakete stetig erweitert aufgrund des unkomplizierten Vorgehens werden viele neue statistische Methoden als Erstes in R implementiert. Zahlreiche Funktionen und Pakete verknüpfen R mit anderer Software und ermöglichen somit das Importieren und Exportieren vieler Dateiformate.
Auch andere Programmiersprachen und Datenbanken können eingebunden werden. Für R gibt es mittlerweile umfassende Literatur und Dokumentationen. hat aktive Anwendergruppen um sich gegenseitig bei Problemen zu helfen sowie große Präsenz bei Portalen wie Stack Overflow und GitHub. Eine vollständige grafische Benutzeroberfläche wie sie in anderen Statistikprogrammen existiert, ist in R nicht vorhanden. Die Sprache erfordert somit einige Programmierfertigkeiten, um sie nutzen zu können, was erste Ergebnisse langsamer entstehen lässt. Hinzu kommt, dass R für eine sinnvolle Nutzung ein größeres Maß an statistischem Verständnis erfordert.
folgen nur wenigen Konventionen. Eine ausgiebige inhaltliche Qualitätssicherung von neuen Paketen findet nicht statt. Bei Fehlfunktionen kann niemand zur Rechenschaft gezogen werden oder ist für eine schnelle Verbesserung verantwortlich. Optimierung bei R nur eine nachgeordnete Rolle, weshalb andere Programmiersprachen oft schneller sind und manchmal zur Optimierung herangezogen werden. fußt auf Programmiersprachen und Konzepten, die mehrere Jahrzehnte zurückliegen. Die Entwickler von Julia haben sich zum Ziel gesetzt die Sprache ähnlich gut und einfach zur Datenanalyse einsetzen zu können wie R und möchten die Sprache mit hoher Geschwindigkeit ausstatten.
Als weitergehende Analyse kann eine lineare Regression durchgeführt werden. Dies kann in R durch die Funktion lm ausgeführt werden, wobei die abhängige Variable von den unabhängigen Variablen durch die Tilde getrennt wird. Ross Ihaka, Robert Gentleman: R: A Language for Data Analysis and Graphics. In: Journal of Computational and Graphical Statistics. Lothar Sachs, Jürgen Hedderich: Angewandte Statistik.
Hadley Wickham: R Packages. Crawley: The R Book. Viele Werke lassen sich in verschiedene Kategorien einordnen. In der Regel wurde ein Buch in eine Kategorie des Anwendungsgebiets eingeordnet, sofern eine Zielgruppe klar hervorgehoben wurde, im nächsten Schritt die Kategorie mit einem spezifischen statistischen Verfahren, ansonsten allgemeine Kategorien.
First Course in Programming and Statistics. Emilio López Cano, Javier Martínez Moguerza: R desde el principio. Andrie de Vries, Joris Meys: R for Dummies. Gundula Wagner, Christa Monika Reisinger: AlleR Anfang ist leicht.
Datenanalyse mit dem R Commander. An Introduction for the Uninitiated and the Unnerved. Einführung durch angewandte Statistik. Margot Tollefson: R Quick Syntax Reference.
Sarah Stowell: Using R for Statistics. John Verzani: Using R for Introductory Statistics. The Statistical Programming Language. Mark Gardener: The Essential R Reference. An Introduction to R for Statistical Analysis. Daniel Wollschläger: R kompakt.
Der schnelle Einstieg in die Datenanalyse. Jim Albert, Maria Rizzo: R by Example. Brian Dennis: The R Student Companion. Claus Thorn Ekstrom: The R Primer. Günther Sawitzki: Computational Statistics.
Andy Nicholis, Richard Pugh, Aimee Gott: R in 24 Hours. Kabacoff: R in Action. Horton, Ken Kleinman: Using R and RStudio for Data Management, Statistical Analysis and Graphics. Case Studies Approach to Computational Reasoning and Problem Solving. An Informal Text on Applied Statistics. Randall Ernest Schumacker: Using R with Multivariate Statistics.
Viswa Viswanathan: R Data Analysis Cookbook. Lise Bellanger, Richard Tomassone: Exploration de données et méthodes statistiques. Statistik in Theorie und Praxis.
Jay Jacobs, Bob Rudis: Data Driven Security. Analysis, Visualization and Dashboards. Pierre Lafaye de Micheaux, Rémy Drouilhet, Benoit Liquet: The R Software. Fundamentals of Programming and Statistical Analysis. Dan Toomey: R for Data Science. Alexandrowicz: R in 10 Schritten.
Stefanski: Essential Statistical Inference. Carsten Dormann: Parametrische Statistik. Robinson: Methods of Statistical Model Estimation. Heinz Holling, Günther Gediga: Statistik. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani: An Introduction to Statistical Learning.
Jared Lander: R for Everyone. Advanced Analytics and Graphics.