使用 Rcpp 查找重复项

Question

我正在尝试找到一个更快的替代方法来在 R 中查找重复项。代码的目的是将矩阵传递给 Rcpp，其中包含该矩阵的行号，然后循环遍历整个矩阵以查找匹配项对于那一行。所讨论的矩阵是具有 1000 行和 250 列的逻辑矩阵。

听起来很简单，但下面的代码没有检测等效向量行。我不确定这是 equal() 函数的问题还是矩阵或向量的定义方式的问题。

#include <Rcpp.h>
using namespace Rcpp;

// [[Rcpp::plugins]]
#include <cstddef>   // std:size_t
#include <iterator>  // std:begin, std::end
#include <vector>    // std::vector
#include <iostream>
#include <string>

// [[Rcpp::export]]
    bool dupCheckRcpp (int nVector, 
                        LogicalMatrix bigMatrix) {
    // initialize
      int i, j, nrow, ncol;
      nrow = bigMatrix.nrow();
      ncol = bigMatrix.ncol();
      LogicalVector vec(ncol);  // holds vector of interest
      LogicalVector vecMatrix(ncol); // temp vector for loop through bigMatrix
      nVector = nVector - 1;

    // copy bigMatrix data into vec based on nVector row
      for ( j = 0; j < ncol; ++j ) {
        vec(j) = bigMatrix(nVector,j);
      }

    // check loop: check vecTeam against each row in allMatrix
      for (i = 0; i < nrow; ++i) {  
        // copy bigMatrix data into vecMatrix
          for ( j = 0; j < ncol; ++j ) {
            vecMatrix(j) = bigMatrix(i,j);
          }
        // check for equality
          if (i != nVector) {  // skip if nVector row
            // compare vecTeam to vecMatrix
              if (std::equal(vec.begin(),vec.end(),vecMatrix.begin())) {
              return true;
            }
          }
      } // close check loop
      return false;
    }

Answer 1

我不太确定你的代码哪里出了问题，但请注意，你真的不应该像这样在 Rcpp 类型之间手动复制元素：

// copy bigMatrix data into vec based on nVector row
for (j = 0; j < ncol; ++j) {
    vec(j) = bigMatrix(nVector, j);
}

几乎总会有合适的 class 和/或适当的赋值运算符等，让您可以更简洁、更安全地完成此操作（即不太容易出现编程错误）。这是一个更简单的实现：

#include <Rcpp.h>
using namespace Rcpp;

// [[Rcpp::export]]
bool is_duplicate_row(R_xlen_t r, LogicalMatrix x) {
    R_xlen_t i = 0, nr = x.nrow();
    const LogicalMatrix::Row& y = x.row(r);

    for (; i < r; i++) {
        if (is_true(all(y == x.row(i)))) {
            return true;
        }
    }
    for (i = r + 1; i < nr; i++) {
        if (is_true(all(y == x.row(i)))) {
            return true;
        }
    }

    return false;
}

本着我上面建议的精神，

const LogicalMatrix::Row& y = x.row(r); 为我们提供了对矩阵

r

x.row(i)指的是x

i

这两个表达式都避免了 element-wise 通过 for 循环进行复制，并且在我看来更具可读性。此外，虽然使用 std::equal 或任何其他标准算法肯定没有错，但使用 is_true(all(y == x.row(i))) 等 Rcpp 糖表达式通常可以进一步简化您的代码。

set.seed(123)
m <- matrix(rbinom(1000 * 250, 1, 0.25) > 0, 1000)
m[600,] <- m[2,]

which(sapply(1:nrow(m) - 1, is_duplicate_row, m))
# [1]   2 600

c(which(duplicated(m, fromLast = TRUE)), which(duplicated(m)))
# [1]   2 600

使用 Rcpp 查找重复项

Finding duplicates using Rcpp

c++

r

matrix

duplicates

rcpp