我想生成一些大的随机多变量(超过6维)正常样本。在R中,许多软件包可以做到这一点,例如rmnorm,rmvn ......但问题是速度!所以我试着通过Rcpp编写一些C代码。我在线浏览了一些教程,但似乎在多变量分布中没有“糖”,在STL库中也没有。
任何帮助表示赞赏!
谢谢!
答案 0 :(得分:5)
我不确定Rcpp是否会有所帮助,除非您找到一个好的算法来近似您的多变量(cholesky,svd等)并使用Eigen(RccpEigen)或Armadillo(使用RcppArmadillo)对其进行编程。
这是使用Cholesky分解和(Rcpp)Armadillo
的一种方法#include <RcppArmadillo.h>
// [[Rcpp::depends(RcppArmadillo)]]
// [[Rcpp::export]]
using namespace arma;
using namespace Rcpp;
mat mvrnormArma(int n, mat sigma) {
int ncols = sigma.n_cols;
mat Y = randn(n, ncols);
return Y * chol(sigma);
}
现在是纯粹的R
中的一个天真的实现mvrnormR <- function(n, sigma) {
ncols <- ncol(sigma)
matrix(rnorm(n * ncols), ncol = ncols) %*% chol(sigma)
}
您还可以检查每件事是否有效
sigma <- matrix(c(1, 0.9, -0.3, 0.9, 1, -0.4, -0.3, -0.4, 1), ncol = 3)
cor(mvrnormR(100, sigma))
cor(MASS::mvrnorm(100, mu = rep(0, 3), sigma))
cor(mvrnormArma(100, sigma))
现在让我们对它进行基准测试
require(bencharmk)
benchmark(mvrnormR(1e4, sigma),
MASS::mvrnorm(1e4, mu = rep(0, 3), sigma),
mvrnormArma(1e4, sigma),
columns=c('test', 'replications', 'relative', 'elapsed'))
## 2 MASS::mvrnorm(10000, mu = rep(0, 3), sigma) 100
## 3 mvrnormArma(10000, sigma) 100
## 1 mvrnormR(10000, sigma) 100
## relative elapsed
## 2 3.135 2.295
## 3 1.000 0.732
## 1 1.807 1.323
在这个例子中,我使用了具有单位方差和零均值的正态分布,但你可以很容易地推广到具有自定义均值和方差的高斯分布。
希望这有帮助