我应该更喜欢Rcpp :: NumericVector而不是std :: vector吗？

Question

有什么理由我更喜欢Rcpp::NumericVector不是std::vector<double> ？

例如，下面的两个功能

// [[Rcpp::export]]
Rcpp::NumericVector foo(const Rcpp::NumericVector& x) {
  Rcpp::NumericVector tmp(x.length());
  for (int i = 0; i < x.length(); i++)
    tmp[i] = x[i] + 1.0;
  return tmp;
}

// [[Rcpp::export]]
std::vector<double> bar(const std::vector<double>& x) {
  std::vector<double> tmp(x.size());
  for (int i = 0; i < x.size(); i++)
    tmp[i] = x[i] + 1.0;
  return tmp;
}

在考虑其工作和基准性能时是等效的。 我知道Rcpp提供了糖和矢量化操作，但是如果只是将R的向量作为输入并将向量作为输出返回，那么我使用哪一个会有什么区别吗？ 在与R交互时，使用std::vector<double>会导致任何可能出现的问题吗？

Answer 1

在考虑其工作和基准性能时是等效的。

1. 我怀疑基准测试是否准确，因为从SEXP到std::vector<double>需要从一个数据结构到另一个数据结构的深层复制。 （当我打字时，@ DirkEddelbuettel运行了一个微基准测试。）
2. Rcpp对象的标记（例如const Rcpp::NumericVector& x ）只是视觉糖。 默认情况下，给定的对象是指针，因此很容易产生波纹修改效果（见下文）。 因此， const std::vector<double>& x不存在真正的匹配，它们有效地“锁定”和“传递引用”。

在与R交互时，使用std::vector<double>会导致任何可能出现的问题吗？

简而言之，没有。 支付的唯一惩罚是对象之间的转移。

这种转移的好处是修改分配给另一个NumericVector的NumericVector的值不会导致多米诺骨牌更新。 实质上，每个std::vector<T>都是另一个的直接副本。 因此，以下情况不可能发生：

#include<Rcpp.h>

// [[Rcpp::export]]
void test_copy(){
    NumericVector A = NumericVector::create(1, 2, 3);
    NumericVector B = A;

    Rcout << "Before: " << std::endl << "A: " << A << std::endl << "B: " << B << std::endl; 

    A[1] = 5; // 2 -> 5

    Rcout << "After: " << std::endl << "A: " << A << std::endl << "B: " << B << std::endl; 
}

得到：

test_copy()
# Before: 
# A: 1 2 3
# B: 1 2 3
# After: 
# A: 1 5 3
# B: 1 5 3

有什么理由我更喜欢Rcpp::NumericVector不是std::vector<double> ？

有几个原因：

1. 如前所述，使用Rcpp::NumericVector避免了C ++ std::vector<T>的深层复制。
2. 您可以访问糖功能。
3. 能够在C ++中 “标记” Rcpp对象（例如，通过.attr()添加属性）

Answer 2

“如果不确定，只需要时间。”

只需将这几行添加到您已有的文件中：

/*** R
library(microbenchmark)
x <- 1.0* 1:1e7   # make sure it is numeric
microbenchmark(foo(x), bar(x), times=100L)
*/

然后只需调用sourceCpp("...yourfile...")生成以下结果（加上有符号/无符号比较的警告）：

R> library(microbenchmark)

R> x <- 1.0* 1:1e7   # make sure it is numeric

R> microbenchmark(foo(x), bar(x), times=100L)
Unit: milliseconds
   expr     min      lq    mean  median      uq      max neval cld
 foo(x) 31.6496 31.7396 32.3967 31.7806 31.9186  54.3499   100  a 
 bar(x) 50.9229 51.0602 53.5471 51.1811 51.5200 147.4450   100   b
R> 

bar()解决方案需要复制以在R内存池中创建R对象。 foo()没有。 这对于你经常运行多次的 大型向量很重要 。 在这里，我们看到收盘率约为1.8。

在实践中，如果您喜欢一种编码风格而不是另一种编码风格，则可能无关紧要。