作者：黃天元，復旦大學博士在讀，熱愛數據科學與開源工具（R），致力于利用數據科學迅速積累行業經驗優勢和科學知識發現，涉獵內容包括但不限于信息計量、機器學習、數據可視化、應用統計建模、知識圖譜等，著有《R語言高效數據處理指南》（《R語言數據高效處理指南》(黃天元)【摘要 書評 試讀】- 京東圖書）。知乎專欄：R語言數據挖掘。郵箱：huang.tian-yuan@qq.com.歡迎合作交流。

最近要做一個小任務，它的描述非常簡單，就是識別向量的變化。比如一個整數序列是“4,4,4,5,5,6,6,5,5,5,4,4”，那么我們要根據數字的連續關系來分組，輸出應該是“1,1,1,2,2,3,3,4,4,4,5,5”。這個函數用R寫起來非常簡單，稍加思考草擬如下：

get_id = function(x){z = vector()y = NULLfor (i in seq_along(x)) {if(i == 1) y = 1else if(x[i] != x[i-1]) y = y + 1z = c(z,y)}z }

不妨做個小測試：

get_id = function(x){z = vector()y = NULLfor (i in seq_along(x)) {if(i == 1) y = 1else if(x[i] != x[i-1]) y = y + 1z = c(z,y)}z } c(rep(33L,3),rep(44L,4),rep(33L,3)) #> [1] 33 33 33 44 44 44 44 33 33 33 get_id(c(rep(33L,3),rep(44L,4),rep(33L,3))) #> [1] 1 1 1 2 2 2 2 3 3 3

得到的結果絕對是準確的，而且按照這些代碼，基本可以識別不同的數據類型，只要這些數據能夠用“==”來判斷是否相同（可能用setequal函數的健壯性更好）。

但是當數據量很大的時候，這樣寫是否足夠快，就很重要了。這意味著看你要等一小時、一天還是一個月。想起自己小時候還學過C++，就希望嘗試用Rcpp來加速，擬了代碼如下：

library(Rcpp)# 函數名稱為get_id_c cppFunction('IntegerVector get_id_c(IntegerVector x){int n = x.size();IntegerVector out(n);for (int i = 0; i < n; i++) {if(i == 1) out[i] = 1;else if(x[i] == x[i-1]) out[i] = out[i-1];else out[i] = out[i-1] + 1;}return out; }')

需要聲明的是，C++需要定義數據類型，因為任務是正整數，所以函數就接受一個整數向量，輸出一個整數向量。多年不用C++，寫這么一段代碼居然調試過程就出了3次錯，慚愧。但是對性能的提升效果非常顯著，我們先做一些簡單嘗試。先嘗試1萬個整數：

library(pacman) p_load(tidyfst) sys_time_print({res1 = get_id(c(rep(33L,1e4),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e4),rep(44L,4),rep(33L,3))) })setequal(res1,res2)

0.14s和0.00s的區別，可能體會不夠深。那么來10萬個整數試試：

sys_time_print({res1 = get_id(c(rep(33L,1e5),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e5),rep(44L,4),rep(33L,3))) })setequal(res1,res2)

13s vs 0s，有點不能忍了。那么，我們來100萬個整數再來試試：

# 不要嘗試這個 sys_time_print({res1 = get_id(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })# 可以嘗試這個 sys_time_print({res2 = get_id_c(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })setequal(res1,res2)

好的，關于這段代碼：

sys_time_print({res1 = get_id(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })

可以不要嘗試了，因為直接卡死了。但是如果用Rcpp構造的函數，那么就放心試吧，我們還遠遠沒有探知其算力上限。可以觀察一下結果：

我們可以看到，1億個整數，也就是0.69秒；10億是7.15秒。雖然想嘗試百億，但是我的計算機內存已經不夠了。

總結一下，永遠不敢說R的速度不夠快，只是自己代碼寫得爛而已（盡管完成了實現，其實get_id這個函數優化的空間是很多的），方法總比問題多。不多說了，去溫習C++，學習Rcpp去了。后面如果有閑暇，來做一個Rcpp的學習系列。放一個核心資料鏈接：

Seamless R and C++ Integration?rcpp.org

---

根據評論區提示，重新寫了R的代碼再來比較。代碼如下：

library(pacman) p_load(Rcpp,tidyfst)get_id = function(x){z = vector()for (i in seq_along(x)) {if(i == 1) z[i] = 1else if(x[i] != x[i-1]) z[i] = z[i-1] + 1else z[i] = z[i-1]}z }cppFunction('IntegerVector get_id_c(IntegerVector x){int n = x.size();IntegerVector out(n);for (int i = 0; i < n; i++) {if(i == 1) out[i] = 1;else if(x[i] == x[i-1]) out[i] = out[i-1];else out[i] = out[i-1] + 1;}return out; }')sys_time_print({res1 = get_id(c(rep(33L,1e4),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e4),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e5),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e5),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e7),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e7),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e8),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e8),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e9),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e9),rep(44L,4),rep(33L,3))) })setequal(res1,res2)

1萬：

10萬：

100萬：

1000萬：

1億：

結論：還是Rcpp香。

---

三更：R代碼提前設置向量長度，再比較。

library(pacman) p_load(Rcpp,tidyfst)get_id = function(x){z = integer(length(x))for (i in seq_along(x)) {if(i == 1) z[i] = 1else if(x[i] != x[i-1]) z[i] = z[i-1] + 1else z[i] = z[i-1]}z }cppFunction('IntegerVector get_id_c(IntegerVector x){int n = x.size();IntegerVector out(n);for (int i = 0; i < n; i++) {if(i == 1) out[i] = 1;else if(x[i] == x[i-1]) out[i] = out[i-1];else out[i] = out[i-1] + 1;}return out; }')sys_time_print({res1 = get_id(c(rep(33L,1e4),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e4),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e5),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e5),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e6),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e7),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e7),rep(44L,4),rep(33L,3))) })setequal(res1,res2)sys_time_print({res1 = get_id(c(rep(33L,1e8),rep(44L,4),rep(33L,3))) })sys_time_print({res2 = get_id_c(c(rep(33L,1e8),rep(44L,4),rep(33L,3))) })setequal(res1,res2)

---

四更：對于這個任務來講，data.table的rleid函數是最快的。R語言中的終極魔咒，能找到現成的千萬不要自己寫，總有巨佬在前頭。不過直到10億個整數才有難以忍受的差距。

1億

10億

總結

以上是生活随笔為你收集整理的c++语言get:_用C++给R语言加速：Rcpp简单用法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。