关于Rcpp的问题

我用R写了下面的计算。 然而，这在许多“for循环”中使用缓慢

我尝试使用Rcpp编写类似的计算。 但这是一个错误

请更正我的密码

# R
data <- matrix(1: 100, ncol = 5, nrow = 20)

Y <- 10
X <- Y - 1
Z <- matrix(ncol = 1, nrow = nrow(data) - X) 

for (i in 1:(nrow(data) - X)){
  Z[i, ] <- sum(data[i: (i + X), ])
} 
> data
      [,1] [,2] [,3] [,4] [,5]
 [1,]    1   21   41   61   81
 [2,]    2   22   42   62   82
 [3,]    3   23   43   63   83
 [4,]    4   24   44   64   84
 [5,]    5   25   45   65   85
 [6,]    6   26   46   66   86
 [7,]    7   27   47   67   87
 [8,]    8   28   48   68   88
 [9,]    9   29   49   69   89
[10,]   10   30   50   70   90
[11,]   11   31   51   71   91
[12,]   12   32   52   72   92
[13,]   13   33   53   73   93
[14,]   14   34   54   74   94
[15,]   15   35   55   75   95
[16,]   16   36   56   76   96
[17,]   17   37   57   77   97
[18,]   18   38   58   78   98
[19,]   19   39   59   79   99
[20,]   20   40   60   80  100

> Z
       [,1]
 [1,] 2275
 [2,] 2325
 [3,] 2375
 [4,] 2425
 [5,] 2475
 [6,] 2525
 [7,] 2575
 [8,] 2625
 [9,] 2675
[10,] 2725
[11,] 2775



// Rcpp
#include <Rcpp.h> 
using namespace Rcpp;

// [[Rcpp::export]]
NumericMatrix myRcpp(NumericMatrix data, NumericVector Y) {
  int X = Y - 1;
  int i;
  int nrow = data.nrow();
  Rcpp::NumericMatrix Z();

  for (i = 0; i < nrow - X; i++) {
    Z[i] = Rcpp::sum(data( Range(i, (i + X)) , _ ));
  }  

  return (Z);
}

#R
数据您有几个错误。大多数情况下，我建议解开复杂的表达式，这些表达式显然会产生编译器/模板错误

使用新代码，我得到：

R> sourceCpp("/tmp/so_question.cpp")

R> # R
R> data <- matrix(1: 100, ncol = 5, nrow = 20)

R> Y <- 10

R> X <- Y - 1

R> Z <- matrix(ncol = 1, nrow = nrow(data) - X) 

R> for (i in 1:(nrow(data) - X)) {
+   Z[i, ] <- sum(data[i: (i + X), ])
+ } 

R> #data
R> #Z
R> 
R> myRcpp(data, Y)
 [1] 2275 2325 2375 2425 2475 2525 2575 2625 2675 2725 2775
R> 

R>sourceCpp（“/tmp/so\u question.cpp”）
R> #R
R> 数据Y X Z（i在1中：（nrow（数据）-X））{
+Z[i，]#数据
R> #Z
R>
R> myRcpp（数据，Y）
[1] 2275 2325 2375 2425 2475 2525 2575 2625 2675 2725 2775
R>

代码在下面——我把R和C++结合成一个文件。
#include <Rcpp.h> 
using namespace Rcpp;

// [[Rcpp::export]]
NumericVector myRcpp(NumericMatrix data, int y) {
  int x = y - 1;
  int i;
  int n = data.nrow();
  Rcpp::NumericVector z(n - x);

  for (i = 0; i < n - x; i++) {
    Rcpp::SubMatrix<REALSXP> sm = data( Range(i, (i + x)) , _ );
    Rcpp::NumericMatrix m(sm);
    double s = Rcpp::sum(m);
    z[i] = s;
  }  

  return z;
}


/*** R
# R
data <- matrix(1: 100, ncol = 5, nrow = 20)

Y <- 10
X <- Y - 1
Z <- matrix(ncol = 1, nrow = nrow(data) - X) 

for (i in 1:(nrow(data) - X)) {
  Z[i, ] <- sum(data[i: (i + X), ])
} 

#data
#Z

myRcpp(data, Y)
*/

#包括
使用名称空间Rcpp；
//[[Rcpp:：导出]]
数值向量myRcpp（数值矩阵数据，整数y）{
int x=y-1；
int i；
int n=data.nrow（）；
Rcpp：：数值向量z（n-x）；
对于（i=0；i数据在我看来，你和答案对每一行重复相同的计算（行和）Y次。所以一个向量化的解决方案

data %>%
  rowSums %>%
  cumsum %>%
  {. - lag(., Y)}

（（>%来自包magrittr，来自dplyr的lag方法）应该做您想要做的事情，它甚至比Rcpp快一点

Unit: milliseconds
             expr       min        lq      mean    median        uq       max neval cld
  myArma(data, Y) 10.363077 11.633387 17.963248 12.233787 14.772540 131.67896   100   b
 vectorized(data)  3.172276  3.284239  5.492879  3.441609  4.664644  63.96084   100  a 

您提到，您最终希望使用sd而不是sum，但即使在这种情况下，缓存平方和也会节省大量时间

data %>%
  {(. - mu)^2} %>%
  rowSums %>%
  cumsum %>%
  {. - lag(.,Y)} %>%
  divide_by( Y*NCOL(data) - 1 )

mu作为一个组意味着你得到了另一个解决方案

一个C++实现，当然，它比R还要快，但我认为你不能为了简洁而超越上面的代码。
再见，
斯特凡
编辑：根据数据的结构和大小，您可能会遇到从累积和减去滞后累积和的减法取消问题（即，如果累积和比没有有效数字的单行和大16个数量级）。在这种情况下，您可以使用RcppRoll的roll_sum替换该步骤

作为一个解决方案，它实际上更短，我只是没有RcppRoll的经验，也不能说是否存在问题或陷阱

data %>%
  rowSums %>%
  roll_sum(Y)

你能详细说明你看到的错误吗？我已经附加了一条错误消息。谢谢。谢谢。在我显示的代码中，使用“sum”可以在RcppRoll中解决。但是，我有时想使用“sd”而不是“sum”。RcppRoll似乎无法应用“sd”在多个列中。如果zoo中的
rollapply
足够，则它可以根据
by.column=
参数按列或跨列应用函数。另外，请随意“向上投票”（单击向上箭头）问题，并且，作为提问者，也可以“接受”（单击勾号）。这就是StackOverflow的工作原理。但是，这需要将数据复制到
m
。如果
sum
知道如何处理矩阵糖表达式，那就更好了。当然，但运行时的成本很小。更紧凑的表达式有帮助，请查看更新后的答案及其Armadillo一行解决方案。这太好了，不可能是真的性能方面的ld get可能是
rowsum（roll\u sum（data，Y））
其中
roll\u sum
来自
RcppRoll
。你的
向量化的
解决方案是计算一个完全不同的东西。诚然，
滞后（，Y，默认值=0）
是必需的，但是
all.equal（向量化的（data），myArma（data，Y））
返回
TRUE
。你从哪里知道我们计算不同的东西？抱歉。我在没有加载dplyr的情况下运行了你的代码。很好的解决方案。我发现性能取决于
求和
的效率。然而，并不是所有的滚动操作都是
求和
，因此它的泛化能力有限。我怀疑你的
sde> 示例工作。谢谢。您的解决方案也很有帮助。
Unit: milliseconds
             expr       min        lq      mean    median        uq       max neval cld
  myArma(data, Y) 10.363077 11.633387 17.963248 12.233787 14.772540 131.67896   100   b
 vectorized(data)  3.172276  3.284239  5.492879  3.441609  4.664644  63.96084   100  a 

data %>%
  {(. - mu)^2} %>%
  rowSums %>%
  cumsum %>%
  {. - lag(.,Y)} %>%
  divide_by( Y*NCOL(data) - 1 )

data %>%
  rowSums %>%
  roll_sum(Y)