RStudio 经过 rmarkdown + knitr 的方式提供了一套基于文学编程的数据剖析报告产出方案，开发者可以将 R 代码嵌入 Markdown 文档中执行并失掉渲染结果(渲染结果可以是 HTML、PDF、Word 文档格式)，实践数据剖析进程中，开发者最终能构成一套数据剖析模版，每次适配不同的数据，就能产出一份新的数据剖析报告。
rmarkdown 本身具有复杂的页面规划才能并可以运用 flexdashboard 停止扩展，因此这套方案不只能完成重复性剖析进程，还能完成剖析结果的高度定制化展现，可以运用 HTML、CSS、JavaScript 前端三大件对数据剖析报告停止展现和交互的细节调整。最终完成人力的节省和数据剖析结果的快速、高效产出。
四、R 效劳化改造
4.1 R 效劳化框架
R 本身既是一门言语、也是一个跨平台的操作环境，具有弱小的数据处置、数据剖析、和数据可视化才能。除了在团体电脑的 Windows/MacOS 环境中上充任团体统计剖析工具外，也可以运转在 Linux 效劳环境中，因此可以将 R 作为剖析展现引擎，中心经过 Java 等系统开发言语完成缓存、安全反省、权限控制等功用，开发企业报表系统或数据剖析(开掘)框架，而不只仅只是将 R 作为一个桌面软件。
企业报表系统或数据剖析(开掘)框架设计方案如下图所示：
4.2 foreach + doParallel 多核并行方案
作为一门统计学家开发的解释性言语，R 运转的是 CPU 单核上的单线程顺序、并且需求将全部数据加载到内存停止处置，因此和 Java、Python 等系统言语相比，计算功用是 R 的软肋。关于大数据集合的计算场景，需求尽量将数据计算部分经过 Hive、Kylin 等散布式计算引擎完成，尽量让 R 只处置结果数据集;另外也可以经过 doParallel + foreach 方案，经过多核并行提升计算效率，代码示例如下：
library(doParallel)
library(foreach)
registerDoParallel(cores = detectCores())
vis_process1 <- function() {
# 可视化进程1 ...
}
vis_process2 <- function() {
# 可视化进程2 ...
}
data_process1 <- function() {
# 数据处置进程1 ...
}
data_process2 <- function() {
# 数据处置进程2 ...
}
processes <- c('vis_process1', 'vis_process2', 'data_process1', 'data_process2')
process_res <- foreach(i = 1:length(process), .packages = c('magrittr')) %dopar% {
do.call(processes[i], list())
}
vis_process1_res <- process_res[[1]]
vis_process2_res <- process_res[[2]]
data_process1_res <- process_res[[3]]
data_process2_res <- process_res[[4]]
4.3 图形化数据报告渲染功用
在数据剖析进程中，R 最重要的是充任图形引擎的角色，因此有必要了解其图形渲染功用。针对主流的基于 rmarkdown + flexdashboard 的数据剖析报告渲染方案，其功用测试结果如下：
系统环境：
4 核 CPU，8 G 内存，2.20GHz 主频。
Linux version 3.10.0-123.el7.x86_64。
测试办法：
测试在不同并发度下、不同复杂度的渲染形式下，重复渲染 100 次的耗时。
测试结果：
依据测试结果可知：
单运用平均渲染时长在 0.74s 以上，详细的渲染时长视计算复杂度而定(可以经过上节引见的“foreach + doParallel 多核并行方案 ”加快处置进程)。依据阅历，大部分运用能在秒级完成渲染。
(责任编辑：admin)