c++ - 在 C++ 和 Rcpp 中重写慢速 R 函数

Question

我有这行 R 代码:

croppedDNA <- completeDNA[,apply(completeDNA,2,function(x) any(c(FALSE,x[-length(x)]!=x[-1])))]

它所做的是识别 DNA 序列矩阵(1 行 = 一个序列)中不通用(信息性)的位点(列)，并将它们从矩阵中子集化以制作新的“裁剪矩阵”，即摆脱值相同的所有列。对于大数据集，这大约需要 6 秒。我不知道我是否可以在 C++ 中更快地完成它(仍然是 C++ 的初学者)但是尝试对我来说会有好处。我的想法是使用 Rcpp，遍历 CharacterMatrix 的列，将列(站点)拉出作为 CharacterVector 检查它们是否相同。如果它们相同，记录该列号/索引，对所有列继续。然后在最后制作一个仅包含这些列的新 CharacterMatrix。重要的是，我要保留行名和列名，因为它们在矩阵的“R 版本”中，即如果列消失，列名也应该消失。

我已经写了大约两分钟，到目前为止我有(未完成):

#include <Rcpp.h>
#include <vector>
using namespace Rcpp;
// [[Rcpp::export]]
CharacterMatrix reduce_sequences(CharacterMatrix completeDNA)
{
  std::vector<bool> informativeSites; 
  for(int i = 0; i < completeDNA.ncol(); i++)
  {
    CharacterVector bpsite = completeDNA(,i);
    if(all(bpsite == bpsite[1])
    {
      informativeSites.push_back(i);
    }
  }
CharacterMatrix cutDNA = completeDNA(,informativeSites);
return cutDNA;
}

我的做法是否正确？有没有更简单的方法。我的理解是我需要 std::vector 因为它们很容易生长(因为我事先不知道我要保留多少列)。通过索引，我是否需要在末尾对 informativeSites vector +1(因为 R 索引从 1 开始，C++ 索引从 0 开始)？

谢谢， 本 W.

Answer 1

示例数据:

set.seed(123)
z <- matrix(sample(c("a", "t", "c", "g", "N", "-"), 3*398508, TRUE), 3, 398508)

OP的解决方案:

system.time(y1 <- z[,apply(z,2,function(x) any(c(FALSE,x[-length(x)]!=x[-1])))])
#    user  system elapsed 
#   4.929   0.043   4.976 

使用 base R 的更快版本:

system.time(y2 <- (z[, colSums(z[-1,] != z[-nrow(z), ]) > 0]))
#    user  system elapsed 
#   0.087   0.011   0.098 

结果是一样的:

identical(y1, y2)
# [1] TRUE

很有可能 C++ 会打败它，但这真的有必要吗？