Настройка Rcpp Armadillo в Windows с помощью Rstudio

Ты делаешь это неправильно. Есть много способов сделать это, и мы задокументировали некоторые из них. То, что вы делаете здесь, не является одним из них.

Попробуйте это вместо этого и идите оттуда:

R> library(Rcpp)
R> cppFunction("arma::mat op(arma::vec x) { return(x*x.t()); }", 
+              depends="RcppArmadillo")
R> op(1:2)
     [,1] [,2]
[1,]    1    2
[2,]    2    4
R> 

Это один из основных примеров: взять вектор, умножить его на его транспонирование и вернуть результирующую матрицу внешнего произведения.

В конечном итоге вам нужен пакет, и для этого вы могли бы сделать гораздо хуже, чем начинать с RcppArmadillo.package.skeleton().

В вашем вопросе мало деталей, но если вы работаете на компьютере с Windows и используете RStudio, то вот полностью воспроизводимый пример того, как использовать RcppArmadillo без использования пакета inline, который не идеален, за исключением очень коротких функций.
Как заметил Дирк, этот совет можно найти в другом месте — экосистема Rcpp* на удивление хорошо документирована, но это может помочь новичку.

0. Предварительные:

У вас должно быть установлено следующее:

1. Rtools
2. Пакет R инструменты разработчика
3. Пакет R Rcpp
4. Пакет R RcppArmadillo

1. Код С++:

Это простой пример вычисления оценки МНК для модели линейной регрессии. Вот как выглядит файл C++ с одной функцией (fnLinRegRcpp), которая принимает матрицы проектирования в качестве входных данных и производит оценки коэффициентов OLS и остатки модели в виде Rcpp List:

// LinearRegression.cpp
// [[Rcpp::depends(RcppArmadillo)]]
#include <RcppArmadillo.h>
using namespace arma;  // use the Armadillo library for matrix computations
using namespace Rcpp;

// [[Rcpp::export]]
List fnLinRegRcpp(vec vY, mat mX) {

  // compute the OLS estimator & model residuals
  vec vBeta =  solve(mX.t()*mX, mX.t()*vY);  
  vec vResid = vY - mX * vBeta;

  // construct the return object
  List ret;
  ret["beta"] = vBeta;
  ret["resid"] = vResid;

  return ret;
}

// END

Обратите внимание на использование атрибутов Rcpp:

// [[Rcpp::depends(RcppArmadillo)]]

для указания зависимостей библиотеки от библиотеки Armadillo.

2. R-код

Вот пример компиляции кода C++ с использованием функции sourceCpp вместе с примером использования функции и сравнением вывода со встроенной функцией lm.fit.

# LinearRegression.R
library(devtools)
library(Rcpp)
library(RcppArmadillo)

Rcpp::sourceCpp("code/LinearRegression.cpp", 
                showOutput = TRUE, 
                rebuild = FALSE)

# generate some sample data
iK = 4
iN = 100
mX = cbind(1, matrix(rnorm(iK*iN), iN, iK))
vBeta0 = c(2, 3.5, 0.11, 6.33, 23)
vY = rnorm(iN, mean = mX %*% vBeta0)

# test the function
linReg1 = fnLinRegRcpp(vY, mX)
linReg1$beta  # coefficient estimates

# compare the results to the built-in lm.fit function
lm.fit(y = vY, x = mX)$coef  # coefficient estimates

# END