R 及其大部分 CRAN 模块均使用 GPL 进行许可。

在许多公司中，如果你提议在生产中使用任何 GPL 的东西，法律部门会发疯……这不合理，但你会看到他们喜欢 Apache，讨厌 GPL。在投入生产之前，请确保与法律部门协商一致。（恕我直言，您可以安全地将修改后的代码用于内部产品。将 R 集成到您的商业产品中并将其分发给其他人是非常不同的。但不幸的是，许多法律部门试图禁止所有使用 GPL。）

除此之外，除非调用隐藏在其中的 Fortran 代码，否则 R 通常真的很慢。当您仍在尝试弄清楚该怎么做时，这很好。但对于生产，您可能需要最高性能，并与您的服务完全集成。如果 R 是您的用例的最佳选择，请对自己进行基准测试。

关于 R 的性能问题（我知道 R 的拥护者会因为我这样说而对我投反对票……）：

Morandat, F.、Hill, B.、Osvald, L. 和 Vitek, J. (2012)。评估 R 语言的设计。在 ECOOP 2012 中——面向对象编程（第 104-131 页）。施普林格柏林海德堡。

（来自普渡大学的 TraceR/ProfileR/ReactoR 人员，他们现在正在研究 fastR，试图在 JVM 上执行 R 代码？）状态：

在这些基准测试中，R 平均比 C 慢 501 倍，Python 慢 43 倍。

和：

观察。R 显然很慢并且内存效率低下。比其他动态语言要多得多。这主要是由于语言特性（按值调用、极端动态、惰性求值）的组合以及缺乏有效的内置类型。我们相信，通过一些努力，应该可以改善时间和空间的使用，但这可能需要完全重写实现。

很抱歉打破这个消息。现在是我的研究，但它与我的观察一致。

代码执行速度很少成为问题。业务中重要的速度几乎总是设计、部署和维护应用程序的速度。有经验的程序员可以在必要时进行优化，以足够快地执行代码。在这些情况下，R 在生产中会很有意义。

在执行速度成为问题的情况下，您已经可以找到优化的 C++ 或一些这样的实时决策引擎。因此，您的选择是集成 R 流程，或者将您需要的位添加到引擎中。后者可能是唯一的选择，不是因为 R 的速度，而是因为您没有时间合并任何外部进程。如果公司一无所有，我无法想象每个人都会说“让我们在 R 中构建我们的时间关键型实时引擎，因为有很棒的统计库”。

我将从我的企业经验中举几个例子，我在生产中使用 R：

• 交付处理尚未/尚未制度化的数据的闪亮应用程序。我通常会加载已经处理过的数据框并使用 Shiny 来显示不同的图形和图表。计算量很小。
• 决策分析需要大量使用高级库（mcclust、机器学习），但需要每天或更长时间才能完成。在这种情况下，没有理由使用任何其他语言。我已经在 R 中完成了原型设计，所以我最快和最好的选择是将东西保留在那里。

在与实时 C++ 决策引擎集成时，我没有将 R 用于生产。问题：

• 产生 R 进程并整合结果的额外复杂层
• C++ 中提供了一个合适的机器学习库（Waffles）

后一种情况的警告：我仍然使用 R 来生成训练文件。

在处理 R 的性能、内存等问题时，数据科学家已经能够使用一个名为 Saturn Cloud 的免费工具，它内置了 RStudio。你可以启动一台运行 R 的机器，它有超过一百个内核、4TB 的 RAM，或者多个 V100 GPU 或利用 futures R 包来利用 RAM 和处理器。此外，启动 saturn-rstudio-tensorflow 图像以使用 GPU——该图像是修改版的 rocker/ml。有了它，您可以在 GPU 上使用 TensorFlow 和 Keras R 包。

创建资源时，您可以选择工作区将使用的 IDE 和硬件。通过选择 RStudio Server 资源，它默认使用带有最新版本 R 的图像以及 tidyverse 和 data.table 等常用库（您也可以安装更多库）。

土星云