自制toupper：看起来相同但不相同

Question

为了我的优化，我想在 Rcpp 中得到一个像样的toupper。我对 C++ 很陌生，据我所知，我已经做到了：

#include <Rcpp.h>
using namespace Rcpp;

void C_toupper_String(const String& s) {
  for (char *p =(char *)s.get_cstring();*p!=0;p++) *p = toupper(*p);
}
// [[Rcpp::export]]
StringVector C_toupper(StringVector const& vecteur) {
  StringVector res=clone(vecteur);
  for (int i(0); i < res.size(); ++i) {
    C_toupper_String(res[i]);
  }
  return res;
}

/*** R
teststring <- "HeY I arNaud"
C_toupper(teststring)
toupper(teststring)
identical(C_toupper(teststring),toupper(teststring))
*/

但是，它不能正常工作。

> C_toupper(teststring)
[1] "HEY I ARNAUD"

> toupper(teststring)
[1] "HEY I ARNAUD"

> identical(C_toupper(teststring),toupper(teststring))
[1] FALSE

有什么问题？如果可能，我不想将String 转换为std::string，因为我想了解发生了什么：进入C++ 的目的是能够避免复制和转换。

谢谢，

阿诺

Answer 1

为什么这两个字符串不测试identical 的问题很难解释——这两个字符串在检查它们的原始字节时看起来肯定是相同的（通过charToRaw），它们不携带属性，它们不有一个编码集。所以，真的，它们应该是相同的。

要解开这个谜团，我们需要了解您的 C++ 代码实际上在做什么。更具体地说，C_toupper_String 中的 C 风格演员正在做什么。因为他们的危险，you should never use C-style casts。您的代码遇到问题纯粹是因为该演员表。

为什么？因为String::get_cstring 返回char const*。您将其投射到char*，从而抛弃了它的constness。这可以是安全的，但前提是底层存储不是const。否则为undefined behaviour (UB)。由于代码重写（例如优化），UB 的影响很难预测。在这种情况下，它似乎生成了混淆 R 字符串内部结构的代码。

---

你基本上不能修改Rcpp::String对象，他们不允许。但是，如果您只是想避免复制，那么您的代码无论如何都达不到目标，因为您的 C_toupper 函数在第一步中明确复制了输入。

正如 Dirk 所说，解决这个问题的正确方法是使用可用的 Rcpp API。在字符串修改的情况下，这意味着将您的输入转换为std::string，执行修改，然后再转换回来。这确实复制了，但您当前的代码也是如此。这是编写此代码的一种好方法：

#include <Rcpp.h>
#include <cctype>
#include <string>

// [[Rcpp::export]]
Rcpp::StringVector C_toupper(Rcpp::StringVector const& vec) {
    std::vector<std::string> res(vec.begin(), vec.end());
    for (std::string& str : res) {
        for (char& c : str) c = std::toupper(c);
    }

    return Rcpp::wrap(res);
}

请注意，这会有时会产生错误的结果，因为std::toupper 根本无法处理某些 Unicode 特征。 R 的toupper 做得更好，但也有一些问题。 适当的解决方案是使用{stringr} 或 {stringi} 包。

Answer 2

为什么不使用 C++ 库的单线器？除非您真正在 C++ 方面有经验，否则您可能不太可能击败它。以下代码只是缩进显示在这里，这是我的 R 会话中的一行。

R> Rcpp::cppFunction("std::string tU(std::string s) { std::string u(s); \
 for (unsigned int i=0; i<u.length(); i++) u[i] = std::toupper(u[i]); return(u); }")
R> tU("aBcDe")
[1] "ABCDE"
R>