1. 最简单的 system.time(...)
2. microbenchmark：对比不同表达式的多次重复运行时间
3. 运行时间与内存效率监测，这有我的样例代码，learnR/b6.profiling.R at master · renkun-ken/learnR · GitHub，把"task/task1.R"改成你要运行的脚本文件即可，运行结束后会输出哪些代码耗时最长、占内存最大。
4. 可用Hadley的hadley/lineprof · GitHub 扩展包做监测结果的可视化输出
R语言中矩阵、向量在内存上的区别向量
在初始创建时，系统就给分配了足够的空间，没有赋值的下标对应的值都用NA代替了，所以向量不存在下标超出的限制比如：
>x
[1] 1 2
>length(x)
[1] 2
>x[100]
[1] NA
>length(x)
[1] 2
>x[100]=3
>length(x)
[1] 100
创建x时给了两个数字，所以长度为2。但是取值x[100]时显示的是NA并非下标越界，当赋值x[100]=3时，x的长度变为了100。
这种性质的好处就是可以取代向量的重新赋值语句比如：
>x<- c(x,2)
可以使用以下语句代替：
>x[length(x)+1]=2
这样的好处就是由于不用重新赋值，不需要重新分配内存，因此可以大大提升程序的效率，比如：
>create_vector2<-function(k)
+ {
+ gh=c()
+ for(i in 1:k){
+ gh=c(gh,i)
+ }
+ return(gh)
+ }
>create_vector1<-function(k)
+ {
+ gh=c()
+ gh[1:k]=1:k
+ return(gh)
+ }
以上为两个创建向量的函数，运行时间测量如下：
>system.time(create_vector1(10000)) #创建10000长度的向量，函数1运行时间
用户 系统 流逝
000
>system.time(create_vector2(10000)) #创建10000长度的向量，函数2运行时间
用户 系统 流逝
0.11 0.00 0.11
>system.time(create_vector1(100000)) #创建100000长度的向量，函数1运行时间
用户 系统 流逝
000
>system.time(create_vector2(100000)) #创建100000长度的向量，函数1运行时间
用户 系统 流逝
11.48 0.01 11.71
可以看到函数1明显比函数2快很多。函数1的运行时间基本为0。
矩阵
矩阵并没有这种性质，矩阵的内存空间是初始创建空间的大小。一但确定，只有通过重新赋值来改变。所以会出现下标越界等错误。
