9.2　replication

第4章介绍的rep函数能把输入的参数重复数次。另一个相关函数replicate则能调用表达式数次。大多数情况下它们基本相等，只有当使用随机数时才会出现不同。现在，假定生成均匀分布随机数的runif函数不是矢量化的，那么rep函数每次都将重复相同的随机数，而replicate每次的结果都不相同（由于历史的原因，其参数顺序竟然是从后到前的，这有点烦人）：

  1. rep(runif(1), 5)
  3. ## [1] 0.04573 0.04573 0.04573 0.04573 0.04573
  5. replicate(5, runif(1))
  7. ## [1] 0.5839 0.3689 0.1601 0.9176 0.5388

在更为复杂的例子中，replicate会大显身手。例如，在蒙特卡罗（Monte Carlo）分析中——replicate最主要的用途，你需要重复固定次数的分析过程且每次迭代都是相互独立的。

下一个例子将分析某人上下班时使用不同交通工具所花费的时间。这有些复杂，不过这是为了展示replicate的作用，它非常适合于这种场景。

time_for_commute函数用sample随机挑选一种交通工具（小汽车、公交车或自行车），然后用rnorm或rlnorm找到一个正态分布或对数正态分布1的行程时间（具体参数取决于所选的交通工具）。

1 对数正态分布偶尔会扔出非常大的数字，从而接近高峰期塞车。 

  1. time_for_commute <- function() 
  2. { 
  3.   #选择当时所用的交通工具 
  4.   mode_of_transport <- sample( 
  5.     c("car", "bus", "train", "bike"), 
  6.     size = 1, 
  7.     prob = c(0.1, 0.2, 0.3, 0.4) 
  8.   ) 
  9.   #根据交通工具，找到出行的时间
  10.   time <- switch( 
  11.     mode_of_transport, 
  12.     car = rlnorm(1, log(30), 0.5), 
  13.     bus = rlnorm(1, log(40), 0.5), 
  14.     train = rnorm(1, 30, 10), 
  15.     bike = rnorm(1, 60, 5) 
  16.   ) 
  17.   names(time) <- mode_of_transport 
  18.   time 
  19. }

switch语句的存在使得这个函数很难被向量化。这意味着：为了找到上下班时间的分布，我们需要多次调用time_for_commute来生成每天的数据。replicate使我们能即刻进行向量化：

  1. replicate(5, time_for_commute())
  3. ## bike    car train   bus bike 
  4. ## 66.22 35.98 27.30 39.40 53.81