R语言在处理大数据尤其是text data上确实速度较慢。其局限在于：
只能用CPU进行运算。
平行运算很容易出错。
这也是为什么deep learning 在R中基本上没有非常完美的包了。
望采纳，谢谢！
R编程语言在数字分析与机器学习领域已经成为一款重要的工具。随着机器逐步成为愈发核心的数据生成器，该语言的人气也必然会一路攀升。不过R语言当然也拥有着自己的优势与缺点，开发人员只有加以了解后才能充分发挥它的强大能力。
R语言随时间推移正呈现出愈发迅猛的发展态势，并成为能够将不同数据集、工具乃至软件包结合在一起的胶水型语言，R语言是创建可重复性及高质量分析的最佳途径。它拥有数据处理所必需的一切灵活性及强大要素
R语言拥有强大的软件包生态系统与图表优势，R语言的优势主要体现在其软件包生态系统上。庞大的软件包生态系统无疑是R语言最为突出的优势之一，其中内置有大量专门面向统计人员的实用功能，R语言具备可扩展能力且拥有丰富的功能选项，帮助开发人员构建自己的工具及方法，从而顺利实现数据分析，人们能够在无需申请权限的前提下对其进行扩展。，它最大的优势就是以自由软件的姿态出现。其源代码以及所有一切都可供，R语言在图形及图表方面的一切能够都是“无与伦比”的。
R的短板在于安全性与内存管理。说了这么多优势，R语言当然也存在着一定不足。内存管理、速度与效率可能是R语言面临的几大最为严峻的挑战，在这方面，人们仍然需要努力推动，而且也确实正在推动其进展与完善。R语言在设计思路上太太古老。这种语言的设计局限有时候会令大规模数据集处理工作遇到难题，此外，R语言无法被嵌入到网络浏览器当中，我们不能利用它开发Web类或者互联网类应用程序。再有，我们基本上没办法利用R语言当作后端服务器执行计算任务，因为它在网络层面缺乏安全性保障，长久以来，R语言当中始终缺少充足的交互元素。
R语言并不单纯面向高端程序员，我甚至并不认为R语言只适用于程序员。它非常适合那些面向数据并试图解决相关问题的用户，无论他们的实际编程能力如何
Unifrac是一个十分常用的衡量不同群落之间谱系结构差异的指标。在R语言中，计算unifrac的函数不只一种，不同函数之间有什么差别呢？本文目的就是对几个常用的计算unifrac的函数的使用方法做个记录。
比较对象
首先，每个包的安装方法：
其次，每个函数的使用方法：
为了更容易区分函数是来自哪个包，每个函数前面都添加了包的名字。
最后，每个函数的运行效率：
虽然phyloseq的安装稍微有些麻烦，并且在计算unfirac之前还需要先转换一下数据类型，但其计算unfirac的效率最高。
对于每个函数的计算时间是否是随OTU数目和样品数目线性增加，还需要进一步探究。
需要注意的是：
picante和PhyloMeasures只能计算unweighted unfirac。
GUniFrac不仅同时计算weighted和unweighted unfirac，同时还能通过参数调节丰度加权的程度。
phyloseq通过控制参数weighted=T或F，可以计算weighted和unweighted unifrac。
