Rcpp牛到什么程度，我想不用我多说。光是看Author五人组的名字就足够唬人了（简直是R包开发男子天团了）。最近正在为实验室开发R包（平生第一次），愉快地用起了Rcpp。有过这些天之后觉得感觉真的很好，于是也就厚颜无耻地写篇小文介绍一下。以下的内容都是在Linux下完成了，Windows的朋友们需要安装Rtools才能用上Rcpp。

1. cppFunction和sourceCpp

首先我们来看看第一个例子。

cppFunction(
    'int fib_cpp_0(int n){
         if(n==1||n==2) return 1;
         return(fib_cpp_0(n-1)+fib_cpp_0(n-2));
    }'
)

这个例子是老掉牙的计算第n个Fibonacci数的函数，不过既然Dirk老爷子也用这个例子，我们也就将就一下把。运行这段代码之后，你可以在R的Workplace中看到一个名为fib_cpp_0的函数。我们来看看跟R版本的Fib_r的对比。

fib_r <- function(n){
    if(n==1||n==2) return(1)
    return(fib_r(n-1)+fib_r(n-2))
}

这两个函数运行的时间对比如下：

> system.time(fib_r(30))
   user  system elapsed
  3.080   0.000   3.083
> system.time(fib_cpp_0(30))
   user  system elapsed
  0.004   0.000   0.004

在这个对比中，我们可以发现，fib_cpp_0比fib_r快得多了。虽然如此，我觉得这个比较没有什么意思，原因在于这个对比中没有体现R向量化运算的优势。不过考虑到相当多的人在写R的代码时根本不考虑向量化（我忏悔，我就是其中之一），Rcpp还真的能解决很多效率问题。

我并不喜欢cppFunction这种C++代码和R代码混合在一起的风格。Rcpp提供了另外一种方法让我们简单调用C++代码: sourceCpp(有没有想起R里面的source？）

#include <Rcpp.h>
using namespace Rcpp;

//[[Rcpp::export]]
int fib_cpp_1(int n)
{
    if(n==1||n==2) return 1;
    return fib_cpp_1(n-1)+fib_cpp_1(n-2);
}

在R中只要调用

sourceCpp("fib_cpp_1.cpp")

于是我们又得到了一个fib_cpp_1函数。它跟fib_cpp_0的对比如下：

> system.time(fib_cpp_0(50))
用户    系统    流逝 
194.077   0.153 195.575 
> system.time(fib_cpp_1(50))
用户    系统    流逝 
152.336   0.221 157.190

在上面可以看出用sourceCpp生成的函数fib_cpp_1在计算速度上比用cppFunction生成的fib_cpp_0更快。至于原因是什么，我还没有发现，一旦发现，我很乐意再次写出来跟大家分享。

其实，cppFunction和sourceCpp的本质是什么？

我们来回忆一下在没有Rcpp之前我们是如何调用C/C++的。在那个年代，我们会先写出C/C++的代码，然后用R CMD SHLIB生成一个动态链接库，然后再用dyn.load载入这个动态链接库。最后用.Call(或者.C，当然这个太老了），调用库中的函数。

然后我们直接输入fib_cpp_1看看它们的庐山真面目：

function (n)
.Primitive(".Call")(, n)

从上面我们可以看到，其实通过cppFunction和sourceCpp得到的这个函数，本质上还是用.Call调用动态链接库中编译好的C++函数。只不过Rcpp帮你把一些麻烦的步骤省略下来了。

2. 编译动态链接库

Rcpp自带了一个函数SHLIB这个函数可以帮你将使用了Rcpp.h的cpp文件编译成动态链接库。这个函数源代码在Rcpp包中SHLIB.R下面。你可以在R的控制台中调用

Rcpp:::SHLIB("test.cpp")

来编译你的动态链接库。之所以要加前面这一串，是因为这个函数没有在Rcpp包的namespace中export。当然你在shell下面可以用

Rscript -e "Rcpp:::SHLIB('test.cpp')"

来编译（这个技巧来自(http://thirdwing.github.io/2013/10/25/rcpp/ ).

如果我们进去看看这个函数的源代码，我们会发现，其实它做的事情就是为编译器指明库的位置（通过添加环境变量）。

如果要用这种方法调用cpp程序的话，cpp的写法会有一些规定，当然这跟平时我们直接用R API调用C语言的写法很相似。所以如果大家只是想用C/C++来解决性能瓶颈的话，我建议大家还是使用sourceCpp或者cppFunction好了。

3. 用Rcpp开发R package

一如R自家踢狗的package.skeletion一样，Rcpp提供了一个函数Rcpp.package.skeletion，运行这个函数：

Rcpp.package.skeletion("RcppDemo")

然后你就可以在当前工作目录下找到一个名为RcppDemo的目录，目录的结构如下：

Demo
|-- DESCRIPTION
|-- man
|   |-- Demo-package.Rd
|   `-- rcpp_hello_world.Rd
|-- NAMESPACE
|-- R
|   `-- RcppExports.R
|-- Read-and-delete-me
`-- src
    |-- Makevars
    |-- Makevars.win
    |-- RcppExports.cpp
    `-- rcpp_hello_world.cpp

不过说回来，每个R package都差不多的啦。这个几乎是空的package里面已经有一个写好的Hello world函数。当然我们这里就不拿这个经典函数来作例子了。

#include <Rcpp.h>
using namespace Rcpp;

RcppExport SEXP dftest(SEXP df, SEXP vname)
{
    DataFrame DF = as<DataFrame>(df);
    std::string var = as<std::string>(vname);
    NumericVector v = DF[var];
    return(wrap(v));
}

在R文件夹下面，我们再定义如下函数：

DFtest <- function(dframe, varname){
    vcol <- .Call("dftest", dframe, varname)
    return(vcol)
}

这个函数的作用是返回一个data.frame中的一列，这一列的名字由用户提供。假设你把这个Demo打包了，然后安装载入，你就可以调用DFtest。假设你调用DFtest(cars, "speed")，那么你会得到cars$speed。

这个例子其实也没有太多的技术含量。不过还是有一点意思的。我们可以先看看其中的源代码。

第一行指明需要用到Rcpp.h。第二行指明命名空间是Rcpp。

第三行中的RcppExport的作用是，当你把这个cpp文件编译成动态链接库之后，RcppExport后面的函数可以被.Call调用。而实际上这个RcppExport是一个宏。根据"[Rcpp-devel] What are RcppExport, BEGIN_RCPP and END_RCPP?" 的说法：

#define RcppExport extern "C"

第三行中，我们传入了两个SEXP作为参数。这两个参数在第四行和第五行中用函数Rcpp::as分别转换为DataFrame和std::string。第六行中我们取出这个数据框中名为var的那一列，赋值给一个NumericVector.

在最后一行Rcpp::wrap将这个NumericVector重新转换成一个SEXP，然后传回R中。

4. 总的来说

因为Rcpp，我们可以在C++中操作一些我们熟悉的R对象，而且更妙的是，分配内存这种粗重功夫不用我们自己撸袖子上了，实在可喜可贺。当然现在还有一些问题，比方说，现在我们在C++中操作DataFrame的时候，还不能像在R中随意切割那么潇洒，再比如，虽然Rcpp中的sugar可以让我们直接将一个NumericVector与一个数值比较，然后得到一个LogicalVector，但我们无法用类似R中A[B>0]这样的语句去操作C++中的NumericVector或者DataFrame（或者已经有了而我不知道）。

虽然如此，但是Rcpp的前景还是一片光明的，利用Rcpp来开发R package是一件愉快的事情。我们莫忘了Rcpp开发出来的目的，不在其速度，而在于它让我们能更好地进行R的开发。