rcpp编程效率

Question

我是 Rcpp 的初学者。目前我写了一个Rcpp代码，应用于两个3维数组：Array1和Array2。假设 Array1 的维度为 (1000, 100, 40)，Array2 的维度为 (1000, 96, 40)。

我想执行 wilcox.test 使用：

wilcox.test(Array1[i, j,], Array2[i,,])

在R中，我写了嵌套的for循环，大约半小时就完成了计算。

然后，我把它写进了Rcpp。 Rcpp 中的计算需要一个小时才能达到相同的结果。我认为它应该更快，因为它是用 C++ 语言编写的。我想我的编码风格是低效率的原因。

以下是我的Rcpp代码，请问您能帮我看看我应该做哪些改进吗？我很感激！

// [[Rcpp::depends(RcppArmadillo)]]
#include <RcppArmadillo.h>
using namespace Rcpp;

// [[Rcpp::export]]
NumericVector Cal(NumericVector Array1,NumericVector Array2,Function wilc) {

  NumericVector vecArray1(Array1);
  IntegerVector arrayDims1 = vecArray1.attr("dim");

  NumericVector vecArray2(Array2);
  IntegerVector arrayDims2 = vecArray2.attr("dim");

  arma::cube cubeArray1(vecArray1.begin(), arrayDims1[0], arrayDims1[1],      arrayDims1[2], false);

  arma::cube cubeArray2(vecArray2.begin(), arrayDims2[0], arrayDims2[1], arrayDims2[2], false);

  arma::mat STORE=arma::mat(arrayDims1[0], arrayDims1[1]); 

  for(int i=0;i<arrayDims1[1];i++)
  { 

    for(int j=0;j<arrayDims1[0];j++){
      arma::vec       v_cl=cubeArray1.subcube(arma::span(j),arma::span(i),arma::span::all);

      //arma::mat      tem=cubeArray2.subcube(arma::span(j),arma::span::all,arma::span::all);

      //arma::vec v_ct=arma::vectorise(tem);

      arma::vec   v_ct=arma::vectorise(cubeArray2.subcube(arma::span(j),arma::span::all,arma::span::all));

      Rcpp::List resu=wilc(v_cl,v_ct);
      STORE(j,i)=resu[2];

    }

  }


  return(Rcpp::wrap(STORE));

}

函数 wilc 将从 R.

变为 wilcox.test

下面是我的R实现上述思路的部分代码，其中CELLS和CTRLS是[=37=中的两个3D数组]R.

for(i in 1:ncol(CELLS)) {
  if(T){ print(i) }
  for (j in 1:dim(CELLS)[1]) {
    wtest = wilcox.test(CELLS[j,i,], CTRLS[j,,])
    TSTAT_clcl[j,i] = wtest$p.value
  }
}

Answer 1

Then, I wrote it into Rcpp. The calculation within Rcpp took an hour to achieve the same results. I thought it should be faster since it is written in C++ language.

所需的免责声明：

在 C++ 中嵌入 R 代码并期望加速是傻瓜游戏。您需要用 C++ 完全重写 wilcox.test 而不是调用 R。否则，您将失去获得的任何加速优势。

特别是，我写了一篇 post 来说明这个关于在 R 中使用 diff 函数的难题。在 post 中，我详细比较了 pure C++ 实现，C++ 实现使用例程中的 R 函数，以及纯 R 实现。窃取 microbenchmark 说明了上述问题。

expr        min     lq      mean        median  uq      max         neval
arma_fun    26.117  27.318  37.54248    28.218  29.869  751.087     100
r_fun       127.883 134.187 212.81091   138.390 151.148 1012.856    100
rcpp_fun    250.663 265.972 356.10870   274.228 293.590 1430.426    100

因此，pure C++ 实现的加速最大。

因此，要点是需要将 wilcox.test R 例程代码转换为纯 C++ 实现删除运行时间。否则用C++写代码是没有意义的，因为C++组件必须停止并等待结果从 R 开始，然后继续。这传统上有很多的开销以确保数据得到很好的保护。

rcpp编程效率

Rcpp programming efficiency

c++

arrays

rcpp