Summary  
This chapter explains how to perform integer division and compute remainders using dedicated arithmetic operators—%/% for the quotient and %% for the remainder.  

General domain of usage  
Resource allocation

**Heltalsdivision** beregner, hvor mange gange et tal går op i et andet, mens **resten** viser, hvad der er tilovers.

Definition

For eksempel giver det at dele 16 slik mellem 3 venner 5 stykker slik til hver og en rest på 1, da `16 = 5 * 3 + 1`.

## Aritmetiske operatorer
I R udføres disse operationer med:
- `%/%` for heltalsdivision;
- `%%` for resten af en division.

# Number of candies for each friend
16 %/% 3
# Number of candies remaining
16 %% 3

# =====================================================================
# tests/testthat/test-task.R
# =====================================================================

library(testthat)

test_that("Runs user_code.R without errors", {
  expect_error(run_user_code(file = "user_code.R"), NA)
})

test_that("Prints correct results for 435 hours", {
  res <- run_user_code(file = "user_code.R", echo = FALSE, print.eval = TRUE)
  out <- paste(res$logs, collapse = "\n")

  # With print.eval=TRUE and echo=FALSE, R prints RESULTS of expressions:
  # 435 %/% 24 -> 18
  # 435 %%  24 -> 3

  dynamic_test(
    grepl("18", out),
    success = "Correct full days printed (18)",
    failure = paste0("Expected to see 18 in output, got:\n", out)
  )

  dynamic_test(
    grepl("3", out),
    success = "Correct remaining hours printed (3)",
    failure = paste0("Expected to see 3 in output, got:\n", out)
  )
})

test_that("Uses %/% and %% operators", {
  code <- paste(readLines("user_code.R", warn = FALSE), collapse = "\n")

  dynamic_test(
    grepl("%/%", code, fixed = TRUE),
    success = "Uses integer division operator %/%",
    failure = "Expected %/% to be used in user_code.R"
  )

  dynamic_test(
    grepl("%%", code, fixed = TRUE),
    success = "Uses modulo operator %%",
    failure = "Expected %% to be used in user_code.R"
  )
})


test_hidden.R

# =====================================================================
# helper-run.R
# =====================================================================

run_user_code <- function(
  file = "user_code.R",
  capture = character(0),
  inject = list(),
  echo = FALSE,
  print.eval = TRUE
) {
  stopifnot(file.exists(file))

  env <- new.env(parent = baseenv())
  if (length(inject)) list2env(inject, envir = env)

  logs <- utils::capture.output(
    base::source(file, local = env, echo = echo, print.eval = print.eval)
  )

  values <- setNames(vector("list", length(capture)), capture)
  for (nm in capture) {
    values[[nm]] <- if (exists(nm, envir = env, inherits = FALSE)) get(nm, envir = env) else NULL
  }

  list(values = values, logs = logs, env = env)
}

dynamic_test <- function(condition, success, failure) {
  testthat::test_that(
    if (isTRUE(condition)) success else failure,
    {
      if (isTRUE(condition)) {
        testthat::expect_true(TRUE)
      } else {
        testthat::fail(failure)
      }
    }
  )
}


helper-run_user_code.R

Få en solid forståelse af R, et af de mest udbredte sprog til dataanalyse. Udforsk grundlæggende datatyper og endimensionelle værdier, og gå derefter videre til multidimensionelle strukturer, herunder matricer, dataframes og lister. Opbyg de nødvendige færdigheder til effektiv anvendelse af R i statistisk analyse og datadrevne beslutningsprocesser.

Lær det grundlæggende i R-syntaks, såsom aritmetik, variabler, printfunktioner og kommentarer. Styrk din forståelse af beregningslogik gennem øvelser.

Udforsk R's datatyper og forstå deres rolle i datahåndtering. Opbyg færdigheder i at arbejde med vektorer som essentielle strukturer til organisering og analyse af information.

Udvikl evnen til effektivt at håndtere kategoriske data. Lær at strukturere, gruppere og fortolke værdier ved at omdanne rå data til tydelige kategorier.

Forstå, hvordan man repræsenterer og arbejder med strukturerede todimensionelle data. Opbyg selvtillid i at transformere, navngive og anvende operationer på matricer til analytiske opgaver.

Behersk den mest udbredte datastruktur i R til tabelbaseret information. Lær at organisere, transformere og udtrække indsigter fra datasæt for at understøtte datadrevne beslutninger.

Lær, hvordan lister går ud over vektorer ved at gemme elementer af forskellige typer og længder. Udvikl evnen til at oprette, tilgå og ændre lister til organisering af komplekse datastrukturer.

Heltalsdivision og Rester

Aritmetiske operatorer

Eksempel

Løsning