小编ala*_*han的帖子

为了加速R包中的某些功能,我使用Rcpp在cpp函数中重新编码它们,并成功地将这些cpp函数嵌入到这个包中.下一步是测试cpp函数是否可以输出与R中的原始函数相同的结果.因此编写测试是必要的.

但是,我坚持这一步.我已经阅读了Hadley Wickham的测试,R包的一些链接

和CRAN:testthat,第11页.

我所做的是我运行devtools::use_testthat()创建一个tests/testthat目录.然后,运行use_catch(dir = getwd())以添加测试文件tests/testthat/test-cpp.R.在这一点上,我认为expect_cpp_tests_pass()可能会奏效,但只是坚持下去.如果我有原始函数调用add_inflow和add_inflow_Cpp.如何测试这两个函数是否相等？

有没有办法在 Stan 中构造一个带有单纯形列的矩阵？我要构建的模型类似于以下模型，其中我的模型算作狄利克雷多项式：

data {
  int g;
  int c;
  int<lower=0> counts[g, c];
}

parameters {
  simplex [g] p;
}

model {
  for (j in 1:c) {
    p ~ dirichlet(rep_vector(1.0, g));
    counts[, j] ~ multinomial(p);
  }
}

但是，我想对[g, c]类似于以下内容的分层模型的进一步层使用潜在矩阵：

parameters {
  // simplex_matrix would have columns which are each a simplex.
  simplex_matrix[g, c] p;
}
model {
  for (j in 1:c) {
    p[, j] ~ dirichlet(rep_vector(1.0, g));
    counts[, j] ~ multinomial(p[, j]);
  }
}

如果有另一种方法来构造这个潜在变量，那当然也很棒！我对 stan 并不十分熟悉，他只实现了几个层次模型。

我有几个地方想首先检查selectedItemProperty()a 的是否为ChoiceBox空selectionModel，如果不为空，则检查所选项目的某些属性。

我理想中想要的是这样的：

button.disableProperty().bind(
    choiceBox.getSelectionModel().selectedItemProperty().isNull().or(
        choiceBox.getSelectionModel().selectedItemProperty().get().myProperty()
    )
);

但是，这会失败，因为the return value of "javafx.beans.property.ReadOnlyObjectProperty.get()" is null（即，它正在尝试获取所选项目进行评估myProperty()）。

相反，我可以做类似的事情

button.disableProperty().bind(
    Bindings.createBooleanBinding(
        () -> {
            if (choiceBox.getSelectionModel().selectedItemProperty().isNull())
                return true;
            return choiceBox.getSelectionModel().selectedItemProperty().get().myProperty().get();
            },
            choiceBox.getSelectionModel().selectedItemProperty()
        }
    )
);

但是，仅当所选项目发生更改时才会更新；它完全不知道底层的变化myProperty()。我希望能够传播底层属性的更改。我真正想要的是or短路，即它看到 为selectedItemProperty空并且不继续，但如果它不为空，则检查基础属性。

我正在尝试在 R 中进行引导相关性。我有两个变量 Var1 和 Var2，我想获得 Pearson 相关性的引导 p.value。

my variables look like this:
      x            y
1   .6080522    1.707642
2   1.4307273   1.772616
3   0.8226198   1.768537
4   1.7714221   1.265276
5   1.5986213   1.855719
6   1.0000000   1.606106
7   1.1678940   1.671457
8   0.6630012   1.608428
9   1.0842423   1.670619
10  0.5592512   1.107783
11  1.6442616   1.492832
12  0.8326965   1.643923
13  1.1696954   1.763181
14  0.7484543   1.762921
15  1.0842423   1.591566
16  0.9014748   1.718669
17  0.7604917   1.782863
18  0.8566499   1.796216
19  1.4307273   1.913675
20  1.7579695   1.903155

到目前为止我有这个：

data = as.data.frame(data) …