R语言学习RcppEigen进行矩阵运算
程序员文章站
2022-04-10 18:46:47
目录创建cpp文件代码示例其他矩阵操作命名基础用法定义矩阵对矩阵的一些基础操作1基础操作2矩阵基础运算1矩阵基础运算2求最小最大值、迹等点乘等特征值与特征向量形式转换矩阵初始化0map等操作求解ax...
前面我们介绍了一些基本的rcpp
的用法:让你的r代码更快——rcpp入门,但用基础的rcpp
来进行矩阵运算还是非常麻烦,没有现成的函数来让我们使用。
这时我们就想到:是否可以调用别的库来解决矩阵运算的一些问题呢?这就需要我们的rcppeigen
包,也就是c++中的eigen
库。
这些矩阵的运算在进行模拟时会时常遇到,所以可以说是非常重要的一项技能,下面我们就给予一个现有的对矩阵处理的代码来说明其用法。
创建cpp文件
其创建方式可以参考上篇博客:让你的r代码更快——rcpp入门
代码示例
然后我们定义一个
来做矩阵乘法并求其迹(trace)的函数。
// [[rcpp::depends(rcppeigen)]] #include <rcppeigen.h> using namespace eigen; using namespace std; //[[rcpp::export]] double myfun (matrixxd x, matrixxd y) { double z; z = (x.adjoint() * y).trace(); cout << z << endl; return z; }
前三行表示载入eigen
库
// [[rcpp::depends(rcppeigen)]] #include <rcppeigen.h> using namespace eigen;
里面的转置函数adjoint()
,求迹函数trace()
,都需要用到这个库,如果不使用命名空间eigen
后面库里面就要这样用eigen::adjoint()
,eigen::trace()
。
后面我们使用using namespace std;
则是因为cout
需要用到,这个可以在运行函数的时候展现我们的中间变量,也是一个比较有用的操作,当然如果不需要的话,就可以不用命名变量空间:std
。
下面就是我们的函数:
//[[rcpp::export]] double myfun (matrixxd x, matrixxd y) { double z; z = (x.adjoint() * y).trace(); cout << z << endl; return z; }
//[[rcpp::export]]
为我们需要导出到r中的时候需要添加,double型的矩阵在eigen
中命名为matrixxd
,整型矩阵为matrixxi
;类似,对应的向量命名方式为:vectorxd
与vectorxi
。
里面的内容就是我们按照公式敲的函数。
下面我们介绍一些eigen
库中的其它一些矩阵操作。
其他矩阵操作
这部分原文:a simple quickref for eigen
命名
matrix<double, 3, 3> a; // fixed rows and cols. same as matrix3d. matrix<double, 3, dynamic> b; // fixed rows, dynamic cols. matrix<double, dynamic, dynamic> c; // full dynamic. same as matrixxd. matrix<double, 3, 3, rowmajor> e; // row major; default is column-major. matrix3f p, q, r; // 3x3 float matrix. vector3f x, y, z; // 3x1 float matrix. rowvector3f a, b, c; // 1x3 float matrix. vectorxd v; // dynamic column vector of doubles double s;
基础用法
// basic usage // eigen // matlab // comments x.size() // length(x) // vector size c.rows() // size(c,1) // number of rows c.cols() // size(c,2) // number of columns x(i) // x(i+1) // matlab is 1-based c(i,j) // c(i+1,j+1) // a.resize(4, 4); // runtime error if assertions are on. b.resize(4, 9); // runtime error if assertions are on. a.resize(3, 3); // ok; size didn't change. b.resize(3, 9); // ok; only dynamic cols changed. a << 1, 2, 3, // initialize a. the elements can also be 4, 5, 6, // matrices, which are stacked along cols 7, 8, 9; // and then the rows are stacked. b << a, a, a; // b is three horizontally stacked a's. a.fill(10); // fill a with all 10's.
定义矩阵
// eigen // matlab matrixxd::identity(rows,cols) // eye(rows,cols) c.setidentity(rows,cols) // c = eye(rows,cols) matrixxd::zero(rows,cols) // zeros(rows,cols) c.setzero(rows,cols) // c = zeros(rows,cols) matrixxd::ones(rows,cols) // ones(rows,cols) c.setones(rows,cols) // c = ones(rows,cols) matrixxd::random(rows,cols) // rand(rows,cols)*2-1 // matrixxd::random returns uniform random numbers in (-1, 1). c.setrandom(rows,cols) // c = rand(rows,cols)*2-1 vectorxd::linspaced(size,low,high) // linspace(low,high,size)' v.setlinspaced(size,low,high) // v = linspace(low,high,size)' vectorxi::linspaced(((hi-low)/step)+1, // low:step:hi low,low+step*(size-1)) //
对矩阵的一些基础操作1
// matrix slicing and blocks. all expressions listed here are read/write. // templated size versions are faster. note that matlab is 1-based (a size n // vector is x(1)...x(n)). // eigen // matlab x.head(n) // x(1:n) x.head<n>() // x(1:n) x.tail(n) // x(end - n + 1: end) x.tail<n>() // x(end - n + 1: end) x.segment(i, n) // x(i+1 : i+n) x.segment<n>(i) // x(i+1 : i+n) p.block(i, j, rows, cols) // p(i+1 : i+rows, j+1 : j+cols) p.block<rows, cols>(i, j) // p(i+1 : i+rows, j+1 : j+cols) p.row(i) // p(i+1, :) p.col(j) // p(:, j+1) p.leftcols<cols>() // p(:, 1:cols) p.leftcols(cols) // p(:, 1:cols) p.middlecols<cols>(j) // p(:, j+1:j+cols) p.middlecols(j, cols) // p(:, j+1:j+cols) p.rightcols<cols>() // p(:, end-cols+1:end) p.rightcols(cols) // p(:, end-cols+1:end) p.toprows<rows>() // p(1:rows, :) p.toprows(rows) // p(1:rows, :) p.middlerows<rows>(i) // p(i+1:i+rows, :) p.middlerows(i, rows) // p(i+1:i+rows, :) p.bottomrows<rows>() // p(end-rows+1:end, :) p.bottomrows(rows) // p(end-rows+1:end, :) p.topleftcorner(rows, cols) // p(1:rows, 1:cols) p.toprightcorner(rows, cols) // p(1:rows, end-cols+1:end) p.bottomleftcorner(rows, cols) // p(end-rows+1:end, 1:cols) p.bottomrightcorner(rows, cols) // p(end-rows+1:end, end-cols+1:end) p.topleftcorner<rows,cols>() // p(1:rows, 1:cols) p.toprightcorner<rows,cols>() // p(1:rows, end-cols+1:end) p.bottomleftcorner<rows,cols>() // p(end-rows+1:end, 1:cols) p.bottomrightcorner<rows,cols>() // p(end-rows+1:end, end-cols+1:end)
基础操作2
// of particular note is eigen's swap function which is highly optimized. // eigen // matlab r.row(i) = p.col(j); // r(i, :) = p(:, j) r.col(j1).swap(mat1.col(j2)); // r(:, [j1 j2]) = r(:, [j2, j1])
// views, transpose, etc; // eigen // matlab r.adjoint() // r' r.transpose() // r.' or conj(r') // read-write r.diagonal() // diag(r) // read-write x.asdiagonal() // diag(x) r.transpose().colwise().reverse() // rot90(r) // read-write r.rowwise().reverse() // fliplr(r) r.colwise().reverse() // flipud(r) r.replicate(i,j) // repmat(p,i,j)
矩阵基础运算1
// all the same as matlab, but matlab doesn't have *= style operators. // matrix-vector. matrix-matrix. matrix-scalar. y = m*x; r = p*q; r = p*s; a = b*m; r = p - q; r = s*p; a *= m; r = p + q; r = p/s; r *= q; r = s*p; r += q; r *= s; r -= q; r /= s;
矩阵基础运算2
// vectorized operations on each element independently // eigen // matlab r = p.cwiseproduct(q); // r = p .* q r = p.array() * s.array(); // r = p .* s r = p.cwisequotient(q); // r = p ./ q r = p.array() / q.array(); // r = p ./ q r = p.array() + s.array(); // r = p + s r = p.array() - s.array(); // r = p - s r.array() += s; // r = r + s r.array() -= s; // r = r - s r.array() < q.array(); // r < q r.array() <= q.array(); // r <= q r.cwiseinverse(); // 1 ./ r r.array().inverse(); // 1 ./ r r.array().sin() // sin(r) r.array().cos() // cos(r) r.array().pow(s) // r .^ s r.array().square() // r .^ 2 r.array().cube() // r .^ 3 r.cwisesqrt() // sqrt(r) r.array().sqrt() // sqrt(r) r.array().exp() // exp(r) r.array().log() // log(r) r.cwisemax(p) // max(r, p) r.array().max(p.array()) // max(r, p) r.cwisemin(p) // min(r, p) r.array().min(p.array()) // min(r, p) r.cwiseabs() // abs(r) r.array().abs() // abs(r) r.cwiseabs2() // abs(r.^2) r.array().abs2() // abs(r.^2) (r.array() < s).select(p,q ); // (r < s ? p : q) r = (q.array()==0).select(p,r) // r(q==0) = p(q==0) r = p.unaryexpr(ptr_fun(func)) // r = arrayfun(func, p) // with: scalar func(const scalar &x);
求最小最大值、迹等
// reductions. int r, c; // eigen // matlab r.mincoeff() // min(r(:)) r.maxcoeff() // max(r(:)) s = r.mincoeff(&r, &c) // [s, i] = min(r(:)); [r, c] = ind2sub(size(r), i); s = r.maxcoeff(&r, &c) // [s, i] = max(r(:)); [r, c] = ind2sub(size(r), i); r.sum() // sum(r(:)) r.colwise().sum() // sum(r) r.rowwise().sum() // sum(r, 2) or sum(r')' r.prod() // prod(r(:)) r.colwise().prod() // prod(r) r.rowwise().prod() // prod(r, 2) or prod(r')' r.trace() // trace(r) r.all() // all(r(:)) r.colwise().all() // all(r) r.rowwise().all() // all(r, 2) r.any() // any(r(:)) r.colwise().any() // any(r) r.rowwise().any() // any(r, 2)
点乘等
// dot products, norms, etc. // eigen // matlab x.norm() // norm(x). note that norm(r) doesn't work in eigen. x.squarednorm() // dot(x, x) note the equivalence is not true for complex x.dot(y) // dot(x, y) x.cross(y) // cross(x, y) requires #include <eigen/geometry>
特征值与特征向量
// eigenvalue problems // eigen // matlab a.eigenvalues(); // eig(a); eigensolver<matrix3d> eig(a); // [vec val] = eig(a) eig.eigenvalues(); // diag(val) eig.eigenvectors(); // vec // for self-adjoint matrices use selfadjointeigensolver<>
形式转换
type conversion // eigen // matlab a.cast<double>(); // double(a) a.cast<float>(); // single(a) a.cast<int>(); // int32(a) a.real(); // real(a) a.imag(); // imag(a) // if the original type equals destination type, no work is done
矩阵初始化0
// note that for most operations eigen requires all operands to have the same type: matrixxf f = matrixxf::zero(3,3); a += f; // illegal in eigen. in matlab a = a+f is allowed a += f.cast<double>(); // f converted to double and then added (generally, conversion happens on-the-fly)
map等操作
// eigen can map existing memory into eigen matrices. float array[3]; vector3f::map(array).fill(10); // create a temporary map over array and sets entries to 10 int data[4] = {1, 2, 3, 4}; matrix2i mat2x2(data); // copies data into mat2x2 matrix2i::map(data) = 2*mat2x2; // overwrite elements of data with 2*mat2x2 matrixxi::map(data, 2, 2) += mat2x2; // adds mat2x2 to elements of data (alternative syntax if size is not know at compile time)
求解ax = b
// solve ax = b. result stored in x. matlab: x = a \ b. x = a.ldlt().solve(b)); // a sym. p.s.d. #include <eigen/cholesky> x = a.llt() .solve(b)); // a sym. p.d. #include <eigen/cholesky> x = a.lu() .solve(b)); // stable and fast. #include <eigen/lu> x = a.qr() .solve(b)); // no pivoting. #include <eigen/qr> x = a.svd() .solve(b)); // stable, slowest. #include <eigen/svd> // .ldlt() -> .matrixl() and .matrixd() // .llt() -> .matrixl() // .lu() -> .matrixl() and .matrixu() // .qr() -> .matrixq() and .matrixr() // .svd() -> .matrixu(), .singularvalues(), and .matrixv()
以上就是r语言学习rcppeigen进行矩阵运算的详细内容,更多关于rcppeigen矩阵运算的资料请关注其它相关文章!