c++ - Rcpp - 从矩阵/数据帧列表中提取行

Question

作为 this question 的跟进，我决定走 Rcpp 与 R 中复杂语法的路线。我认为这将提供更好的可读性(也可能更快)。

假设我有一个 data.frame 列表(我可以通过 as 轻松地将其转换为矩阵)。事先给出answe -r -s ，这似乎是最好的方法。

# input data
my_list <- vector("list", length= 10)
set.seed(65L)
for (i in 1:10) {
  my_list[[i]] <- data.frame(matrix(rnorm(10000),ncol=10))
  # alternatively 
  # my_list[[i]] <- matrix(rnorm(10000),ncol=10)
}

从矩阵中提取行的合适方法是什么？目标是创建一个列表，其中每个列表元素都包含每个原始列表的 data.frames 的第 nr 行的列表。我尝试了几种不同的语法并不断收到错误:

#include <Rcpp.h>
using namespace Rcpp;
using namespace std:

List foo(const List& my_list, const int& n_geo) {
  int n_list = my_list.size();
  std::vector<std::vector<double> > list2(n_geo);

  // needed code....

  return wrap(list2);
}

选项

for (int i = 0; i < n_list; i++) {
  for (int nr = 0; nr < n_geo; nr++) {
    list2[nr][i] = my_list[i].row(nr);
    // or list2[nr].push_back(my_list[i].row(nr));
    // or list2[nr].push_back(as<double>(my_list[i].row(nr)));
    // or list2[nr].push_back(as<double>(my_list[i](nr, _)));
  }
}

// or:
NumericMatrix a = my_list[1] 
... 
NumericMatrix j = my_list[10]

for (int nr = 0; nr < n_geo; nr++) {
  list2[nr][1] = // as above
}

这些都不适合我。我究竟做错了什么？以下是我从上述语法选择中收到的错误。

error: no matching function for call to 'as(Rcpp::Matrix<14>::Row)'

或

error: cannot convert 'Rcpp::Matrix<14>::Row {aka Rcpp::MatrixRow<14>}' to 'double' in assignment

Answer 1

这是一种方法:

#include <Rcpp.h>

// x[[nx]][ny,]  ->  y[[ny]][[nx]]

// [[Rcpp::export]]
Rcpp::List Transform(Rcpp::List x) {
    R_xlen_t nx = x.size(), ny = Rcpp::as<Rcpp::NumericMatrix>(x[0]).nrow();
    Rcpp::List y(ny);

    for (R_xlen_t iy = 0; iy < ny; iy++) {
        Rcpp::List tmp(nx);
        for (R_xlen_t ix = 0; ix < nx; ix++) {
            Rcpp::NumericMatrix mtmp = Rcpp::as<Rcpp::NumericMatrix>(x[ix]);
            tmp[ix] = mtmp.row(iy);
        }
        y[iy] = tmp;
    }

    return y;
}

/*** R

L1 <- lapply(1:10, function(x) {
    matrix(rnorm(20), ncol = 5)
})

L2 <- lapply(1:nrow(L1[[1]]), function(x) {
    lapply(L1, function(y) unlist(y[x,]))
})

all.equal(L2, Transform(L1))
#[1] TRUE

microbenchmark::microbenchmark(
    "R" = lapply(1:nrow(L1[[1]]), function(x) {
        lapply(L1, function(y) unlist(y[x,]))
    }),
    "Cpp" = Transform(L1),
    times = 200L)

#Unit: microseconds
#expr    min      lq      mean  median       uq      max neval
#  R 254.660 316.627 383.92739 347.547 392.7705 1909.097   200
#Cpp  18.314  26.007  71.58795  30.230  38.8650  945.167   200

*/

---

我不确定这将如何扩展；我认为这只是一种本质上效率低下的转型。根据我在源代码顶部的评论，您似乎只是在进行一种坐标交换——ny nx 的第 1 行输入列表的第 th 个元素变为 nx ny 的第一个元素输出列表的第 th 个元素:

x[[nx]][ny,]  ->  y[[ny]][[nx]]

---

要解决您遇到的错误，Rcpp::List是一个通用对象——技术上是一个 Rcpp::Vector<VECSXP> - 所以当你尝试做的时候，例如

my_list[i].row(nr)

编译器不知道 my_list[i]是 NumericMatrix .因此，您必须使用 Rcpp::as<> 进行显式转换,

Rcpp::NumericMatrix mtmp = Rcpp::as<Rcpp::NumericMatrix>(x[ix]);
tmp[ix] = mtmp.row(iy); 

---

我刚刚使用了 matrix示例数据中的元素来简化事情。在实践中，你最好不要强制 data.frame s 至 matrix对象直接在 R 中而不是在 C++ 中尝试；它会简单得多，而且很可能，强制转换只是调用底层 C 代码，因此尝试以其他方式执行它实际上没有任何好处。

---

我还应该指出，如果您使用的是 Rcpp::List在同类类型中，您可以使用 Rcpp::ListOf<type> 获得更多性能.这将允许您跳过 Rcpp::as<type>上面完成的转换:

typedef Rcpp::ListOf<Rcpp::NumericMatrix> MatList;

// [[Rcpp::export]]
Rcpp::List Transform2(MatList x) {
    R_xlen_t nx = x.size(), ny = x[0].nrow();
    Rcpp::List y(ny);

    for (R_xlen_t iy = 0; iy < ny; iy++) {
        Rcpp::List tmp(nx);
        for (R_xlen_t ix = 0; ix < nx; ix++) {
            tmp[ix] = x[ix].row(iy);
        }
        y[iy] = tmp;
    }

    return y;
}

/*** R

L1 <- lapply(1:10, function(x) {
    matrix(rnorm(20000), ncol = 100)
})

L2 <- lapply(1:nrow(L1[[1]]), function(x) {
    lapply(L1, function(y) unlist(y[x,]))
})

microbenchmark::microbenchmark(
    "R" = lapply(1:nrow(L1[[1]]), function(x) {
        lapply(L1, function(y) unlist(y[x,]))
    }),
    "Transform" = Transform(L1),
    "Transform2" = Transform2(L1),
    times = 200L)

#Unit: microseconds
#      expr      min       lq     mean   median       uq       max neval
#         R 6049.594 6318.822 7604.871 6707.242 8592.510 64005.190   200
# Transform  928.468 1041.936 3130.959 1166.819 1659.745 71552.284   200
#Transform2  850.912  957.918 1694.329 1061.183 2856.724  4502.065   200

*/