2.8　筛选

反映R函数式语言特性的另一个特征是“筛选”（filtering）。这使我们可以提取向量中满足一定条件的元素。筛选是R中常用的运算之一，因为统计分析往往关注满足一定条件的数据。
2.8.1　生成筛选索引
我们先看一个简单的例子：

查看这段代码，凭直觉想想 “我们的目的是什么？”。可以看出我们要求R提取z中平方大于8的所有元素，然后将这些元素构成的子向量赋值给w。
筛选是R中很关键的运算，因此我们有必要从技术细节上探究一下R是怎样实现上述意图的。我们来逐步研究：

表达式z*z > 8得出的是布尔值向量。对你而言，弄清楚这个结果如何产生是非常重要的。
首先，注意表达式z*z > 8中所有东西都是向量或向量运算符：
因为z是向量，所以z*z同样是向量（并且长度与z一致）。
通过循环补齐，这里的数字8（长度为1的向量）补齐为向量(8,8,8,8)。
运算符>，像+一样，实际上是个函数。
对于最后这一点，我们看个例子：

换句话说，我们对向量使用函数—它也是向量化的另一个例子，与你看到的其他向量化一样。在本例中，结果是一个布尔值向量。然后用得到的布尔值向量筛选出z中所需的元素：

下一个例子将更有针对性。在这里，我们将再次用z定义提取条件，但接着用该结果从另一个向量y，而不是从z中提取子向量，如下所示：

或者，可以像下面这样写更简洁：

再次强调，这个例子要说的是，我们使用向量z决定筛选另一个向量y的索引。相反，前面的例子是使用z筛选它自身。
下面是另一个例子，其中涉及赋值。设我们有一个向量x，要将其中所有比3大的元素替换为0。事实上，我们可以非常简洁地使用一行代码。

2.8.2　使用subset()函数筛选
也可以使用subset()函数做筛选。当对向量使用该函数时，它与普通的筛选方法的区别在于处理NA值的方式上。

我们使用前一节提到的普通筛选方法，R会认为“x[5]是未知的，因此其平方是否大于5同样是未知的。”但也许你不希望NA出现在结果中。当你希望在结果中剔除NA值时，使用subset()将免去自己移除NA的麻烦。
2.8.3　选择函数which()
正如你所看到的，筛选是从向量z中提取满足一定条件的元素。但是，在某些情况下，我们希望找到z中满足条件元素所在的位置。此时可以使用which()，如下所示：

结果表明z中的第一、第三和第四元素平方大于8。
和筛选一样，了解前面的代码到底发生了什么是很重要的。下面的表达式：

计算得到（TRUE,FALSE,TRUE,TRUE）。which()函数简单地报告出在后面的表达式中哪些元素为TRUE。
which()有一个非常方便（尽管有点浪费）的用法，是在一个向量中找出满足一定条件的元素首次出现的位置。例如，回顾本书2.1.2节代码，找出向量中的第一个1。

调用which()产生x中所有1的索引。这些索引将以向量形式给出，然后我们取该向量中的第一个元素，即是第一个1的索引。
这一代码更加简洁。但另一方面，它也比较浪费，因为它找出了x中所有的1，而我们只需要第一个。因此，尽管它是向量化方法，可能更快，但如果x中第一个1出现在靠前的位置，则此方法实际上要慢一些。