Summary  
This chapter explains how to modify a list data structure by adding new elements (by index or label and by merging), removing elements (by assigning NULL), and updating existing elements through reassignment.

General domain of usage  
Data structure manipulation

Lister er fleksible: du kan **tilføje**, **fjerne** eller **ændre** deres elementer.

## Tilføjelse af elementer
For at tilføje et nyt element, tildel en værdi til et nyt indeks eller label.

# Creating a list
test <- list(text = "Text", number = 42, logical = TRUE)

# Add new value with a label
test["integer"] <- 23L
# Add new value with an index
test[[5]] <- "new element"
test

Når du tilføjer med et label, skal du bruge **anførselstegn** (f.eks. `"integer"`).

Bemærk

Du kan også sammenflette to lister med funktionen `c()`, som kombinerer dem til én:

list1 <- list("first", 10)
list2 <- list("second", 20)

# Merge lists
list12 <- c(list1, list2)
list12

## Fjernelse af elementer
For at slette et element tildeles `NULL` til det.

test <- list(text = "Text", number = 42, logical = TRUE)

# Remove element
test$logical <- NULL
test

## Opdatering af elementer
For at ændre værdien af et element, skal det blot tildeles en ny værdi.

test <- list(text = "Text", number = 42, logical = TRUE)

# Update element
test[1] <- "word"
test

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Виконуємо user_code.R в окремому середовищі
#  2) Перевіряємо змінені значення та вивід
# =====================================================================

library(testthat)
source(testthat::test_path("helper-run_user_code.R"), local = TRUE)

# Знаходимо user_code.R
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)
user_file <- candidates[file.exists(candidates)][1]
if (is.na(user_file)) stop("user_code.R not found")

# Виконуємо код користувача
res <- run_user_code(
  file       = user_file,
  capture    = c("info"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$info) && is.list(res$values$info)

  dynamic_test(
    ok,
    "Variable 'info' is declared and is a list",
    "Expected 'info' to exist and be a list."
  )
}

# ---------- CASE 2 ----------
{
  ok <- length(res$values$info) == 4

  dynamic_test(
    ok,
    "List 'info' contains 4 elements after modifications",
    sprintf("Expected length 4. Got: %s", length(res$values$info))
  )
}

# ---------- CASE 3 ----------
{
  expected_names <- c("Course name", "Section", "Chapter overall", "Level")
  ok <- identical(names(res$values$info), expected_names)

  dynamic_test(
    ok,
    "List 'info' has correct updated element names",
    sprintf("Expected names: %s. Got: %s",
            paste(expected_names, collapse = ", "),
            paste(names(res$values$info), collapse = ", "))
  )
}

# ---------- CASE 4 ----------
{
  expected_values <- list("R Introduction", 6, 44, "Beginner")
  ok <- identical(unname(res$values$info), expected_values)

  dynamic_test(
    ok,
    "List 'info' contains correct updated values",
    sprintf("Expected values: %s. Got: %s",
            paste(expected_values, collapse = ", "),
            paste(unname(res$values$info), collapse = ", "))
  )
}

# ---------- CASE 5 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))

  ok <- grepl("Course name", out, fixed = TRUE) &&
        grepl("R Introduction", out, fixed = TRUE) &&
        grepl("Section", out, fixed = TRUE) &&
        grepl("6", out, fixed = TRUE) &&
        grepl("Chapter overall", out, fixed = TRUE) &&
        grepl("44", out, fixed = TRUE) &&
        grepl("Level", out, fixed = TRUE) &&
        grepl("Beginner", out, fixed = TRUE)

  dynamic_test(
    ok,
    "Console output contains updated list with all names and values",
    sprintf("Expected output to include Course name, Section, Chapter overall, Level. Actual (first 300 chars): %s",
            substr(out, 1, 300))
  )
}


test_hidden.R

# =====================================================================
# ВСПОМОГАТЕЛЬНЫЕ ХЕЛПЕРЫ ДЛЯ ТЕСТОВ
#
# Файл называется helper-*.R: testthat автоматически подхватывает такие
# файлы перед выполнением любых тестов в каталоге tests/testthat.
# =====================================================================

# -----------------------------------------------------------------------------
# run_user_code(...)
#  - безопасно запускает user_code.R в отдельном окружении (env)
#  - перехватывает ВЕСЬ вывод (stdout): как результаты выражений, так и print()/cat()
#  - возвращает:
#       values  — список запрошенных переменных (по именам из аргумента capture)
#       logs    — вектор строк перехваченного вывода
#       env     — окружение, где выполнялся user_code (можно исследовать при необходимости)
#
# ПАРАМЕТРЫ:
#   file        — путь к user_code.R
#   capture     — character-вектор имён переменных, которые нужно извлечь после выполнения
#   inject      — список объектов/функций, которые нужно «подложить» в среду исполнения
#                 (можно использовать для моков/маскировки опасных функций: system, file.remove и т.д.)
#   echo        — печатать код при исполнении (обычно FALSE)
#   print.eval  — ПЕЧАТАТЬ РЕЗУЛЬТАТЫ ВЫРАЖЕНИЙ. Ключевая опция, чтобы строки вида
#                 `prices['Armchair']` попадали в stdout без явного print().
#
# БЕЗОПАСНОСТЬ:
#   - В базовом R нет полноценной «песочницы». Мы изолируем код в новом env,
#     но ОС-доступ не блокируется магически.
#   - Для задач онлайн-платформы можно частично «глушить» опасные вызовы через inject,
#     например:
#       inject = list(
#         system      = function(...) stop("system disabled"),
#         file.remove = function(...) stop("file.remove disabled")
#       )
# -----------------------------------------------------------------------------
run_user_code <- function(
  file = "user_code.R",
  capture = character(0),
  inject = list(),
  echo = FALSE,
  print.eval = TRUE
) {
  # Бросаем явную ошибку, если файла нет (проще диагностировать)
  stopifnot(file.exists(file))

  # Изолированное окружение: parent=baseenv() (без лишних пользовательских объектов сверху)
  env <- new.env(parent = baseenv())

  # Подмешиваем моки/данные в окружение (при необходимости)
  if (length(inject)) list2env(inject, envir = env)

  # ВАЖНО: перехватываем весь вывод выполнения файла.
  # source(..., local=env, echo, print.eval) исполняет код ВНУТРИ env.
  # print.eval=TRUE заставляет R печатать результаты выражений (как в консоли),
  # что позволяет проверять «голые» выражения без print().
  logs <- utils::capture.output(
    base::source(file, local = env, echo = echo, print.eval = print.eval)
  )

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

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

# -----------------------------------------------------------------------------
# dynamic_test(condition, success, failure)
#  - Создаёт ОДИН тест с «динамическим» названием.
#  - Если condition=TRUE → тест называется success.
#  - Если condition=FALSE → тест называется failure, и тест проваливается.
#  - Используем настоящую expectation (expect_true(TRUE)), чтобы репортёры всегда
#    печатали имя успеха (TAP, progress и т.д.).
# -----------------------------------------------------------------------------
dynamic_test <- function(condition, success, failure) {
  if (isTRUE(condition)) {
    testthat::test_that(success, {
      testthat::expect_true(TRUE)
    })
  } else {
    testthat::test_that(failure, {
      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.

Ændring af Listeelementer

Tilføjelse af elementer

Eksempel

Fjernelse af elementer

Eksempel

Opdatering af elementer

Eksempel

Løsning