Rcpp - 从矩阵/数据帧列表中提取行

Rcpp - extracting rows from list of matrices / dataframes

本文关键字：列表 提取 数据帧 Rcpp      更新时间：2023-10-16

作为这个问题的后续，我决定沿着 Rcpp 与 R 中复杂语法的路线走下去。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的列表（我可以通过as轻松转换为矩阵）。考虑到先前的 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)
}

从矩阵中提取行的适当方法是什么？目标是创建一个列表，每个列表元素都包含一个列表，其中包含每个原始列表的 data.frame 的第 nr 行的列表。我尝试了几种不同的语法，但不断收到错误：

#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。我做错了什么？以下是我从上述语法选择中收到的错误。

错误：调用 'as（Rcpp：：Matrix<14>：：Row）' 时没有匹配函数

或

错误：无法在赋值中将"Rcpp：：Matrix<14>：：Row {aka Rcpp：：MatrixRow<14>}"转换为"double"

这里有一种方法可以做到这一点： 

#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。根据我在源顶部的评论，您似乎只是在进行一种坐标交换——输入列表第 nx 个元素的第 ny 行成为输出列表第 ny 个元素的第nx个元素： 

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

为了解决您遇到的错误，Rcpp::List是一个通用对象 - 技术上是一个Rcpp::Vector<VECSXP> - 所以当你尝试这样做时，例如 

my_list[i].row(nr)

编译器不知道my_list[i]是一个NumericMatrix。因此，您必须使用 Rcpp::as<> 进行显式强制转换， 

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

我只是在示例数据中使用matrix元素来简化事情。在实践中，强制data.frame直接在 R 中matrix对象可能比尝试在 C++ 中执行此操作更好;它会简单得多，而且最有可能的是，强制只是调用底层 C 代码，所以尝试这样做实际上没有任何收获。

我还应该指出，如果您使用的是同质类型的Rcpp::List，则可以使用 Rcpp::ListOf<type> 挤出更多的性能。这将允许您跳过上面完成的Rcpp::as<type>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
*/
相关文章：