在处理问题时，我发现了一些有趣的东西。我不知道到底发生了什么，但有些事情发生了，我没想到会发生。我可能犯了一个错误，但让我先举一个例子：
x <- rnorm( 100 )
y <- x[ x > quantile( x, 0.1 ) ]
z <- x[ x > quantile( x, c( 0.1, 0.2 ) ) ]
a <- x[ x > quantile( x, c( 0.1, 0.2, 0.3 ) ) ]
我们得到三个不同的结果，但是如何解释这些结果。这些是使用的限制吗？
更新： 我想我问的是错误的问题。我们如何解释以下内容：
> x <- rnorm( 100 )
> length( x[ x > quantile( x, 0.1 ) ] )
[1] 90
> length( x[ x > quantile( x, 0.2 ) ] )
[1] 80
> length( x[ x > quantile( x, c( 0.1, 0.2 ) ) ] )
[1] 85
答案 0 :(得分：10)
您对>和R的回收行为感到困惑。当quantile返回的值超过1时（如前两个示例所示），它会将这些向量重新处理为与x相同的长度，以便通过>进行向量化比较。
所以，在最后两个例子中，它一遍又一遍地重复quantile中的2或3个值，直到得到的向量与x的长度相同，并且它们在元素方面与它们进行比较。 >。
修改
也许我的解释不够明确。在编辑的最后一行，x > quantile( x, c( 0.1, 0.2 ) ) R将x的第一个元素与0.1分位数进行比较，将x的第二个元素与0.2分位数进行比较，x的第三个元素x 1}}具有0.1分位数，{{1}}的第4个元素具有0.2分位数，依此类推。得到它了？ ：）