在询问有关在 R 中表示大时间序列的问题时，我不鼓励使用 R 进行数字信号处理。我知道 R 是面向统计的。然而，一个信号只是一组测量值。R 也处理时间序列，但它们通常处于不同的时间尺度。然而，例如，在预测价格演变时，需要了解其背后的模型并可能对其进行预测。这与我在物理学中通常想要的非常接近。

在“传统”数字信号处理 (DSP) 中，更常见的是根据信号的频率分量以及信号之间的相互作用或相干性（类似于频率分量幅度的频率相关协方差）来分析信号。

我对 R 感兴趣主要是因为 CRAN 上的一些包具有高级科学例程（不是在 Python 中开发的），例如用于通用 DSP 的信号、用于小波变换的wavelets和biwavelet以及用于 bispectrum 的timsac。这些软件包应该使这种更“传统”的方法成为可能。但是，我感觉时间序列通常在 R 中以不同的方式进行分析，这从CRAN 的时间序列任务视图中可以明显看出。这些更多的统计模型可能不适合分析非平稳时间序列吗？

所以我问是否有什么东西让 R 对于 DSP 来说比 Python+SciPy（我目前使用最多）或 MATLAB 更糟糕。是否可能是一些底层实现使操作变慢？或者只是在使用 R 时有必要将分析信号的方法更改为更具统计性的方法？与“传统”DSP 方法相比，这种方法是否会受到某种程度的限制？

笔记：

我试着在 SO 上问这个问题，但我被指示宁愿在这里问。

我对来源的客观答案感兴趣，而不仅仅是意见。例如

• 哪些内部表示使它变慢
• 用于时间序列分析的统计模型的局限性是什么，例如它们如何处理非平稳信号、n 波相互作用等。