首先，免责声明：我一直使用Rcpp。事实上，当（被 Rcpp 重命名的时候）RcppTemplate 已经成为孤儿并且两年没有更新时，我开始以它的初始名称 Rcpp 维护它（它已被贡献给RQuantLib）。那是大约一年前，我做了一些增量更改，您可以在 ChangeLog 中找到这些更改。
现在，RcppTemplate 在整整 35 个月后又回来了，没有任何更新或修复。它包含有趣的新代码，但它似乎不向后兼容，所以我不会在已经使用过 Rcpp 的地方使用它。
Rcppbind 在我检查时并没有得到很好的维护。 Whit Armstrong 还有一个名为rabstraction 的模板接口包。
Inline 完全不同：它通过将程序“嵌入”为 R 字符串，然后编译、链接和加载，从而简化了编译/链接周期。我已经与 Oleg 讨论了内联支持 Rcpp 的问题。
Swig 也很有趣。 Joe Wang 在那里做得很好，并为 R 包装了所有 QuantLib。但是当我上次尝试它时，由于 R 内部结构的一些变化，它不再起作用。据 Swig 团队的人说，Joe 可能仍在努力。无论如何，Swig 的目标是更大的库。该项目可能会复兴，但并非没有技术挑战。
另一个值得一提的是RInside，它与 Rcpp 一起使用，让您可以将 R 嵌入到 C++ 应用程序中。
总结一下：Rcpp 对我来说效果很好，特别是对于您只想添加一两个功能的小型探索性项目。它的重点是易用性，它允许您“隐藏”一些使用起来并不总是很有趣的 R 内部结构。我知道我通过电子邮件断断续续地帮助过许多其他用户。所以我会说去这个。
我的“使用 R 的 HPC 简介”教程包含一些 Rcpp、RInside 和内联示例。
编辑：让我们看一个具体的例子（取自“HPC with R Intro”幻灯片，并借自 Stephen Milborrow，后者取自 Venables 和 Ripley）。任务是枚举每个位置仅包含单个数字的 2x2 矩阵的行列式的所有可能组合。这可以通过巧妙的矢量化方式（正如我们在教程幻灯片中讨论的那样）或通过如下蛮力来完成：
#include <Rcpp.h>
RcppExport SEXP dd_rcpp(SEXP v) {
SEXP rl = R_NilValue; // Use this when there is nothing to be returned.
char* exceptionMesg = NULL; // msg var in case of error
try {
RcppVector<int> vec(v); // vec parameter viewed as vector of ints
int n = vec.size(), i = 0;
if (n != 10000)
throw std::length_error("Wrong vector size");
for (int a = 0; a < 9; a++)
for (int b = 0; b < 9; b++)
for (int c = 0; c < 9; c++)
for (int d = 0; d < 9; d++)
vec(i++) = a*b - c*d;
RcppResultSet rs; // Build result set to be returned as list to R
rs.add("vec", vec); // vec as named element with name 'vec'
rl = rs.getReturnList(); // Get the list to be returned to R.
} catch(std::exception& ex) {
exceptionMesg = copyMessageToR(ex.what());
} catch(...) {
exceptionMesg = copyMessageToR("unknown reason");
}
if (exceptionMesg != NULL)
Rf_error(exceptionMesg);
return rl;
}
如果您将其保存为 dd.rcpp.cpp 并安装了 Rcpp，则只需使用
PKG_CPPFLAGS=`Rscript -e 'Rcpp:::CxxFlags()'` \
PKG_LIBS=`Rscript -e 'Rcpp:::LdFlags()'` \
R CMD SHLIB dd.rcpp.cpp
建立一个共享库。我们使用Rscript（或r）向Rcpp询问它的头文件和库位置。构建完成后，我们可以从 R 中加载并使用它，如下所示：
dyn.load("dd.rcpp.so")
dd.rcpp <- function() {
x <- integer(10000)
res <- .Call("dd_rcpp", x)
tabulate(res$vec)
}
以同样的方式，您可以轻松地向后发送各种 R 和 C++ 数据类型的向量、矩阵等。希望这会有所帮助。
编辑 2（大约五年后）：
所以这个答案刚刚获得了赞成票，因此在我的队列中冒泡了。 很多时间已经过去了，而 Rcpp 的功能已经很多丰富了。所以我很快就写了这篇
#include <Rcpp.h>
// [[Rcpp::export]]
Rcpp::IntegerVector dd2(Rcpp::IntegerVector vec) {
int n = vec.size(), i = 0;
if (n != 10000)
throw std::length_error("Wrong vector size");
for (int a = 0; a < 9; a++)
for (int b = 0; b < 9; b++)
for (int c = 0; c < 9; c++)
for (int d = 0; d < 9; d++)
vec(i++) = a*b - c*d;
return vec;
}
/*** R
x <- integer(10000)
tabulate( dd2(x) )
*/
可以与文件/tmp/dd.cpp中的代码如下使用
R> Rcpp::sourceCpp("/tmp/dd.cpp") # on from any other file and path
R> x <- integer(10000)
R> tabulate( dd2(x) )
[1] 87 132 105 155 93 158 91 161 72 104 45 147 41 96
[15] 72 120 36 90 32 87 67 42 26 120 41 36 27 75
[29] 20 62 16 69 19 28 49 45 12 18 11 57 14 48
[43] 10 18 7 12 6 46 23 10 4 10 4 6 3 38
[57] 2 4 2 3 2 2 1 17
R>
一些主要区别是：
- 更简单的构建：只需
sourceCpp()它；甚至在最后执行 R 测试代码
- 成熟的
IntegerVector 类型
-
sourceCpp() 代码生成器自动添加的异常处理包装器