以下代码按预期工作:
matrix.cpp
// [[Rcpp::depends(RcppEigen)]]
#include <RcppEigen.h>
// [[Rcpp::export]]
SEXP eigenMatTrans(Eigen::MatrixXd A){
Eigen::MatrixXd C = A.transpose();
return Rcpp::wrap(C);
}
// [[Rcpp::export]]
SEXP eigenMatMult(Eigen::MatrixXd A, Eigen::MatrixXd B){
Eigen::MatrixXd C = A * B;
return Rcpp::wrap(C);
}
// [[Rcpp::export]]
SEXP eigenMapMatMult(const Eigen::Map<Eigen::MatrixXd> A, Eigen::Map<Eigen::MatrixXd> B){
Eigen::MatrixXd C = A * B;
return Rcpp::wrap(C);
}
这是使用C++的eigen矩阵类,详见https://eigen.tuxfamily.org/dox
在R中,我可以访问这些函数。
library(Rcpp);
Rcpp::sourceCpp('matrix.cpp');
A <- matrix(rnorm(10000), 100, 100);
B <- matrix(rnorm(10000), 100, 100);
library(microbenchmark);
microbenchmark(eigenMatTrans(A), t(A), A%*%B, eigenMatMult(A, B), eigenMapMatMult(A, B))
这表明R在重新排序(转置)方面表现得相当不错。使用特征值进行乘法运算具有一定的优势。
使用Matrix库,我可以将普通矩阵转换为稀疏矩阵。
示例来自https://cmdlinetips.com/2019/05/introduction-to-sparse-matrices-in-r/
library(Matrix);
data<- rnorm(1e6)
zero_index <- sample(1e6)[1:9e5]
data[zero_index] <- 0
A = matrix(data, ncol=1000)
A.csr = as(A, "dgRMatrix");
B.csr = t(A.csr);
A.csc = as(A, "dgCMatrix");
B.csc = t(A.csc);
如果我想使用eigen将A.csr乘以B.csr,该如何在C++中实现?如果不必要转换类型,我不想这样做。这是一个内存大小的问题。
A.csr %*% B.csr
尚未实现。
A.csc %*% B.csc
已经可以工作。
我想对不同的选项进行微基准测试,并查看矩阵大小如何最有效。最终,我将拥有一个稀疏度约为1%,具有500万行和列的矩阵...