any() 和all() 函数非常方便快捷，它们分别报告其参数是否至少有一个或全部为TRUE。
any()函数判断这些值是否至少一个为TURE。all()函数的功能类似，它判断这些值是否全部为TRUE。2.5.1 扩展案例：寻找连续出现1 的游程假设一个向量由若干0 和1 构成，我们想找出其中连续出现1 的游程。例如，对于向量(1,0,0,1,1,1,0,1,1)，从它第4索引处开始有长度为3的游程，而长度为2的游程分别始于第4，第5和第8索引的位置。因此，用语句findruns(c(1,0,0,1,1,1,0,1,1),2)调用下面展示的函数，返回结果(4,5,8)。代码如下：
第五行，我们需要判断从x[i]开始的连续k个值，即x[i],x[i+1],...,x[i+k-1]的值，是否全部为1。表达式x[i:(i+k-1)]语句给出了上述子向量的值，然后使用all()函数检验它是否是一个游程。我们对它进行一下测试：
尽管前面的代码中使用all()比较好，但建立向量runs的过程并不理想。向量的内存分配过程比较耗时，由于调用c(runs,i)时给新的向量分配了内存空间，每次执行时都会减慢代码的运行速度。（这与新向量赋值给runs无关，我们仍然给向量分配了内存空间。）
在较短的循环中，这样做可能没问题，但当应用程序的运行性能受到重点关注时，这里有更好的方法。一种替代方法是预先分配的内存空间，像这样：
在第3行，我们给一个长度为n的向量分配了内存空间。这意味着在执行循环的过程中，可以避免分配新的内存。第8行代码做的只是填充runs。在退出函数之前，我们在第12行重新定义runs，来删除该向量中没用的部分。这种方法更好，第一版代码可能会有很多次内存分配，而第二版代码将之减少为两次。如果我们确实需要提高速度，可能考虑使用C语言重新编码，这会在第14章中讨论。2.5.2 扩展案例：预测离散值时间序列假设我们观察到取值为0或1的数据，每个时刻一个值。为了了解具体应用，假设这是每天的天气数据：1代表有雨，0代表没有雨。假设已经知道最近几天是否下雨，我们希望预测明天是否会下雨。具体而言，对于某个k值，我们会根据最近k天的天气记录来预测明天的天气。我们将使用“过半数规则”（majority rule:）：如果在最近k期里1的数量大于等于k/2，那么预测下一个值为1，否则，预测下一个值为0。例如如果k=3，最近三期的数据为1、0、1，则预测下一期值为1。但是，我们应该如何选择k？显然，如果选择的值太小，则给我们用以预测的样本量太小。如果取值过大，导致我们使用过于早期的数据，而这些数据只有很少或根本没有预测价值。一个解决方案是针对已知的数据（称为训练集），变换不同的k值，看看预测效果如何。在天气的例子中，假设我们有500天的数据，假设我们考虑使用k=3。为了评价k值的预测能力，我们基于前三天的数据来“预测”每天的数据，然后将预测值与已知值进行对比。以此类推，对于k=1、k=2、k=4，我们做同样的事情，直到k值足够大。然后，我们使用训练数据中表现最好的k值，用于未来的预测。那么我们如何编写R代码？这里有一个简单的方法：
这段代码的核心在第7行。此处要预测第i+k天的值（预测结果保存在pred[i]），利用的是之前k天的值，也即第i天，……，第i+k-1天的值。因此，我们需要算出这些天中1的个数。由于我们处理的是0-1数据，1的数量可以简单地使用这些天x[j]的总和，它可以很方便地用以下方法获取：
使用sum()函数和向量索引使得计算更简捷，避免了循环，因此它更简单更快速。这是Ｒ语言典型的用法。第９行的表达式也是同样的道理：
在这里，pred包含预测值，而x[(k+1):n]是这些天的实际值。前者减去后者，得到的值要么为0，要么为1，或-1。在这里，1或-1对应两个方向的预测误差，即当真实值为1时预测值为0，或者真实值为0时预测为1。再用abs()函数求出绝对值，得到0和1的序列，后者表示预测有误差。这样，我们就能知道哪些天的预测有误差，然后使用mean()来计算错误率，在这里我们应用了这一数学原理：即0-1数据的均值是1的比例。这是R语言的一个常见技巧。上述preda()的编码是相当直截了当的，它的优点是简单和紧凑。然而，它可能很慢。我们可以尝试用向量化循环来加快速度，正如2.6节所讨论的那样。然而在这里它不能解决加速的主要障碍，即这些代码中所有的重复计算都不能避免。在循环中对于i的相邻两个取值，调用sum()函数求和的向量只相差两个元素。这会减慢速度，除非k值非常小。所以，我们重写代码，计算过程中利用上一步计算的结果。在循环的每一次迭代中，将更新前一次得到的总和，而不是从头开始计算新的总和。
关键在第9行。在这里从总和sm里减去最早的元素x[i-1]，再加上新的元素(x[i+k-1])，从而更新sm。另一种方法是使用R函数cumsum()，它能计算向量的累积和（cumulative sums）。这里是一个例子：
在这里，y的累加和是5=5，5+2=7，5 + 2 + (－3) = 4，5 + 2 + (－3) + 8 = 12，这些值由cumsum()返回。在上面的例子里，建议用cumsum()的差值替代preda()中的表达式sum(x[i:(i+(k-1))。
在求x中连续k个元素（称为窗口）之和的时候，没有像下面这样使用sum()函数：
这是为了保证在i=1时能计算出正确的值。predb()函数里每次循环迭代要做两次减法运算，对predc()来说只需要做一次。
相关资源：七夕情人节表白HTML源码(两款)