R中的%in%的作用
线性回归模型是统计学中的重要模型，它的形式一般为：
y = X β + z , y = X \beta + z, y=Xβ+z,
这里我们假设噪声序列 z z z服从 N ( 0 , σ 2 I ) N(0, \sigma^2I) N(0,σ2I).
在变量选择的相关数值模拟实验中，我们通常假设变量的系数 β \beta β是稀疏的，也就是 p p p维向量 β \beta β中有很多个元素都是0.
这是我们会在setting中假设维度 p p p是多少，稀疏程度 k k k是多少. 比如假设 p = 30 , k = 2 , p=30, k=2, p=30,k=2, 使用sample()函数随机选择 p p p维向量组中哪 k k k个元素不为0：
p = 30 k=2 set.seed(1234) nonzero = sample(p,k) 1234
nonzero中储存了k个整数型数据，代表 p p p维向量中的 k k k个元素. 然后我们就可以生成 β \beta β. 假设 β \beta β的大小都为2，那么有
amplitude = 2 beta = amplitude * (1:p %in% nonzero) > beta [1] 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 12345
这样就生成了稀疏的系数向量.
其中，1:p %in% nonzero返回的是逻辑型数据，表示nonzero中的数值是否在向量(1,2,…,p)中出现. 若向量(1,2,…,p)中有跟nonzero中的数重合的，就返回“True”，若不重合则返回“False”. 举个例子：
> b = 1:5 %in% 3 > b [1] FALSE FALSE TRUE FALSE FALSE > class(b) [1] "logical" 12345
