分析与建模：
Matrix包：先进的稀疏矩阵处理，不了解稀疏矩阵概念的时候内存占用和运行速度都不忍直视。
Reshape2/ddply：数据处理不用愁。
*apply系列：比for更好用的函数，其中tapply远不如lapply流行，但是实用程度不在其下。实际上lapply有没有变快得看各人的实现，因为虽然lapply调用了C实现，但是它还是要回头调用在R里用户定义的函数才能做计算，这个函数速度如何才是关键。
compiler包：即使代码里有for也可以加速。
foreach：通用的并行接口，跨平台多功能。
lubridate：处理时间日期格式不求人。
gbm：效果和randomForest相近，但是占用内存很少很幸福，而且支持多核 CrossValidation 运算。
stats::optim()：做优化的最傻瓜选择。不信看这个三行R代码做出SVM：weibo.com/1459604443/A3，不懂牛顿法也没关系。
报告与可视化：
knitr/slidify：knitr是 @谢益辉 的代表作。做报告、幻灯片 so easy，但是slidify的作者不喜欢写文档，所以很头疼。
shiny：用R生成Web App，后端强劲接口统一。例如：hetong.shinyapps.io/img 。
recharts：在R中方便快捷地生成可交互图形，再也不用从R换到js了。
其他：
devtools::install_github()：脱离CRAN强权统治，Github让世界更美好。
base::match()：很多情况下比which，is.element不知高到哪里去了。
utils::read.table()：设置nrows能提前分配内存，设置comment.char=""与colClasses更能加快读入。
OpenBLAS库：虽然不是R包，但是多核CPU上对矩阵运算的加速效果实在是太方便明显了，而且Ubuntu上安装方便，并不需要重新编译R。
定义启动项：如果对stringsAsFactors永远默认为TRUE深痛恶觉，可以修改Rprofile.site文件，加上每次启动都自动运行的命令。 @任坤 在评论中提到：定义启动项比较危险，不注意的话会使得代码的可移植性出现问题哦，放到别人电脑上一运行发现各种factor。
升级R包：R的版本更迭之后，可以把老R包复制到新版本的library目录下，然后运行 update.packages(checkBuilt=TRUE, ask=FALSE) ，这是官方的提示，放在FAQ里，不知道有多少人留意了：R for Windows FAQ
