使用Rcpp可以提高速度吗

最近，我在Rcpp软件包上遇到了麻烦，看到了它在速度方面的巨大改进，尤其是在循环方面。我正在编写一个模拟程序，不断在5D阵列上执行矩阵代数。一个例子如下所示：

library(rbenchmark)
Mat<- assign("Mat",array(10,c(10,10,9,4,9)))
Mat2<-matrix(c(runif(16,0,1)),nrow=4,ncol=4)
FuncR<-function(x){
  for(i in 1:dim(Mat)[1]){
    for(j in 1:dim(Mat)[2]){
      for(loc in 1:dim(Mat)[3]){
        for(Yr in 1:dim(Mat)[5]){
          Mat[i,j,loc,,Yr]<<-floor(x%*%Mat[i,j,loc,,Yr])
        }
      }
    }
  }
}
benchmark(FuncR(Mat2))

 test replications elapsed relative user.self sys.self user.child sys.child
1 FuncR(Mat2)          100  17.008

    1     7.228    0.016          0         0

库（rbenchmark）
Mat我觉得在5D空间中处理数据帧比处理切片舒服得多，所以下面是我解决这个问题的方法：

library(dplyr)
melt(Mat) %>% 
    setNames(c('i','j','loc','k','Yr','value')) %>% 
    group_by(i,j,loc,Yr) %>% 
    mutate(out=floor(Mat2 %*% value))

当然，也可以使用
data.table
获得类似的解决方案。
dplyr
和
data.table
解决方案预计比您的代码更快。
我觉得在5D空间中处理数据帧比处理切片舒服得多，因此以下是我解决此问题的方法：

library(dplyr)
melt(Mat) %>% 
    setNames(c('i','j','loc','k','Yr','value')) %>% 
    group_by(i,j,loc,Yr) %>% 
    mutate(out=floor(Mat2 %*% value))

当然，也可以使用
data.table
获得类似的解决方案。
dplyr
和
data.table
解决方案预计会比您的代码更快。
只需更直接地使用矩阵乘法，您就可以获得与Rcpp类似的性能

使用
aperm
将第四个维度放到前面，然后展平到两个维度。您可以执行一个
%*%
，然后反转该过程

> Mat3 <- aperm(Mat, c(4,1,2,3,5))
> dim(Mat3)
[1]  4 10 10  9  9
> dim(Mat3) <- c(4,prod(10,10,9,9))
> Mat4 <- Mat2 %*% Mat3 
> dim(Mat4)
[1]    4 8100
> dim(Mat4) <- c(4,10,10,9,9)
> Mat5 <- aperm(Mat4, c(2,3,4,1,5))

LGTM

我在“学术”代码中看到过很多这种模式，在行业中则不多见。由于乘法运算已经不存在了，所以它确实用一些内存来弥补代码的不足

如果您对代码库的其他部分有控制，您可以考虑更改<代码> Mat < /Cord>对象的内存布局，然后<>代码> Apple < /C> >不一定需要
< P>。p>
使用
aperm
将第四个维度放到前面，然后展平到两个维度。您可以执行一个
%*%
，然后反转该过程

> Mat3 <- aperm(Mat, c(4,1,2,3,5))
> dim(Mat3)
[1]  4 10 10  9  9
> dim(Mat3) <- c(4,prod(10,10,9,9))
> Mat4 <- Mat2 %*% Mat3 
> dim(Mat4)
[1]    4 8100
> dim(Mat4) <- c(4,10,10,9,9)
> Mat5 <- aperm(Mat4, c(2,3,4,1,5))

LGTM

我在“学术”代码中看到过很多这种模式，在行业中则不多见。由于乘法运算已经不存在了，所以它确实用一些内存来弥补代码的不足

如果您对代码库的其他部分有控制，您可以考虑更改<代码> Mat < /Cord>对象的内存布局，然后<代码> Apple < /C> >将不需要
 < P>可选地，您可以考虑<代码>张量库：

> require(tensor)
> MT <- tensor(Mat2, Mat, 2, 4)
> dim(MT)
[1]  4 10 10  9  9
> MT[,1,1,1,1]
[1]  6.357168721 18.288843057 21.215756948 10.310288982

>需要（张量）
>MT dim（MT）
[1]  4 10 10  9  9
>MT[，1,1,1,1]
[1]  6.357168721 18.288843057 21.215756948 10.310288982
< /代码> 
可选地，您可以考虑<代码>张量< /C>库：
> require(tensor)
> MT <- tensor(Mat2, Mat, 2, 4)
> dim(MT)
[1]  4 10 10  9  9
> MT[,1,1,1,1]
[1]  6.357168721 18.288843057 21.215756948 10.310288982

>需要（张量）
>MT dim（MT）
[1]  4 10 10  9  9
>MT[，1,1,1,1]
[1]  6.357168721 18.288843057 21.215756948 10.310288982
代码现在的样子——它肯定会从使用Rcpp中受益；我的感觉是，您将获得至少一个数量级的运行时提升。然而，我认为在R中也可能有一种有效的方法，例如，以长格式展开
Mat
，并使用
数据。table
为什么这行中有
assign
<代码>Mat比较（有点普遍），包括Rcpp。代码现在的样子——它肯定会从使用Rcpp中受益；我的感觉是，您将获得至少一个数量级的运行时提升。然而，我认为在R中也可能有一种有效的方法，例如，以长格式展开
Mat
，并使用
数据。table
为什么这行中有
assign
<代码>已比较的材料（有点普遍），包括Rcpp。