使用 RcppArmadillo，使用 arma::vec 进行从 R 到 Rcpp 的转换就像使用 Rcpp 和 NumericVector 一样容易。我的项目使用了 RcppArmadillo。
我不确定应该使用哪一个，NumericVector 还是 arma::vec？这两者之间的关键区别是什么？在什么情况下使用哪个？使用其中一个是否具有性能/内存优势？它们唯一的区别是成员函数吗？另外，作为额外问题：我是否应该考虑使用 arma::colvec 或者 arma::rowvec？
*Vector 和 *Matrix 类作为 R 的 SEXP 表示的封装，例如指向数据的指针。有关详细信息，请参见 R Internals 的 Section 1.1 SEXPs。 Rcpp 的设计利用这一点，通过构造包含指向数据的指针的类的 C++ 对象。这促进了两个关键特点：
arma对象类似于传统的std::vector<T>，在R和C++对象之间进行深度复制。但是，有一个例外，即高级构造函数的存在，它允许在armadillo对象结构内部重用R对象后面的内存。因此，如果您不小心，可能会在从R到C++及其反向转换时产生不必要的惩罚。
注意：允许重用内存的高级构造函数并不存在于arma::sp_mat中。因此，使用稀疏矩阵的引用可能不会产生所需的加速效果，因为从R到C++和反向转换时会执行复制。
为了在代码中说明这种情况，考虑以下三个函数：
#include <RcppArmadillo.h>
// [[Rcpp::depends(RcppArmadillo)]]
// [[Rcpp::export]]
void memory_reference_double_ex(arma::vec& x, double value) {
x.fill(value);
}
// [[Rcpp::export]]
void memory_reference_int_ex(arma::ivec& x, int value) {
x.fill(value);
}
// [[Rcpp::export]]
arma::vec memory_copy_ex(arma::vec x, int value) {
x.fill(value);
return x;
}
memory_reference_double_ex()和memory_reference_int_ex()会更新对象R内部，假设适当的数据类型存在。因此，我们可以通过在定义中指定void来避免返回值，因为由x分配的内存正在被重复使用。第三个函数memory_copy_ex()需要一个返回类型，因为它通过复制传递，因此没有重新分配调用就不会修改现有存储。强调一下：x向量将通过引用传递到C++中，例如在arma::vec&或arma::ivec&的末尾添加&，并且x在R中的类别是double或integer，这意味着我们匹配了arma::vec的底层类型，例如Col<double>，或arma::ivec，例如Col<int>。在第一个示例中，我们将查看运行memory_reference_double_ex()和memory_copy_ex()生成的结果并进行比较。请注意，在R和C ++ 中定义的对象之间的类型是相同的（例如double）。在下一个示例中，这将不成立。
x = c(0.1, 2.3, 4.8, 9.1)
typeof(x)
# [1] "double"
x
# [1] 0.1 2.3 4.8 9.1
# Nothing is returned...
memory_reference_double_ex(x, value = 9)
x
# [1] 9 9 9 9
a = memory_copy_ex(x, value = 3)
x
# [1] 9 9 9 9
a
# [,1]
# [1,] 3
# [2,] 3
# [3,] 3
# [4,] 3
现在，如果R对象的底层类型是整数而不是双精度浮点数会发生什么？
x = c(1L, 2L, 3L, 4L)
typeof(x)
# [1] "integer"
x
# [1] 1 2 3 4
# Return nothing...
memory_reference_double_ex(x, value = 9)
x
# [1] 1 2 3 4
x没有更新？幕后，Rcpp创建了一个新的内存分配，这是正确的类型——double而不是int——然后传递给armadillo。这导致两个对象之间的引用“链接”不同。armadillo向量中使用整数数据类型，注意我们现在有了先前给出的相同效果：memory_reference_int_ex(x, value = 3)
x
# [1] 3 3 3 3
#include <RcppArmadillo.h>
// [[Rcpp::depends(RcppArmadillo)]]
// [[Rcpp::export]]
void copy_double_ex(arma::vec x, double value) {
x.fill(value);
}
// [[Rcpp::export]]
void reference_double_ex(arma::vec& x, double value) {
x.fill(value);
}
对它们进行微基准测试的结果如下：
# install.packages("microbenchmark")
library("microbenchmark")
x = rep(1, 1e8)
micro_timings = microbenchmark(copy_double_ex(x, value = 9.0),
reference_double_ex(x, value = 9.0))
autoplot(micro_timings)
micro_timings
# Unit: milliseconds
# expr min lq mean median uq max neval
# copy_double_ex(x, value = 9) 523.55708 529.23219 547.22669 536.71177 555.00069 640.5020 100
# reference_double_ex(x, value = 9) 79.78624 80.70757 88.67695 82.44711 85.73199 308.4219 100
注意: 与复制范例相比，所引用的对象每次迭代速度大约快了6.509771倍，因为我们不必重新分配和填充那块内存。
何时使用哪个？
你需要做什么？
你只是想快速加速依赖于循环但不需要严格线性代数操作的算法吗？
如果是这样，只使用Rcpp就足够了。
你是否试图执行线性代数运算？或者你希望在多个库或计算平台（例如MATLAB、Python、R等）中使用此代码？
如果是这样，你应该在armadillo中编写算法的核心，并设置适当的钩子将函数导出到R中使用Rcpp。
使用其中一个是否具有性能/内存优势？
是的，正如先前指出的，肯定存在性能/内存优势。不仅如此，通过使用RcppArmadillo，你实际上在Rcpp之上添加了一个额外的库，从而增加了整体安装占用空间、编译时间和系统要求（参见macOS构建的困难）。找出你的项目需要什么，然后选择该结构。
它们之间的唯一区别是成员函数吗？
不仅是成员函数，还有：
这些是Rcpp和armadillo之间的根本不同。一个旨在促进将R对象转换为C ++，而另一个则旨在进行更严格的线性代数计算。这应该很明显，因为Rcpp不实现任何矩阵乘法逻辑，而armadillo使用系统的基本线性代数子程序（BLAS）来执行计算。
作为额外的问题：我应该考虑arma :: colvec或arma :: rowvec吗？
这取决于您希望如何返回结果。您想要一个：1 x N（行向量）还是N x 1（列向量）？默认情况下，RcppArmadillo将这些结构作为具有其适当维度的矩阵对象返回，而不是传统的1D R向量。
例如：
#include <RcppArmadillo.h>
// [[Rcpp::depends(RcppArmadillo)]]
// [[Rcpp::export]]
arma::vec col_example(int n) {
arma::vec x = arma::randu<arma::vec>(n);
return x;
}
// [[Rcpp::export]]
arma::rowvec row_example(int n) {
arma::rowvec x = arma::randu<arma::rowvec>(n);
return x;
}
测试：
set.seed(1)
col_example(4)
# [,1]
# [1,] 0.2655087
# [2,] 0.3721239
# [3,] 0.5728534
# [4,] 0.9082078
set.seed(1)
row_example(4)
# [,1] [,2] [,3] [,4]
# [1,] 0.2655087 0.3721239 0.5728534 0.9082078