Summary
Logical indexing involves using boolean conditions inside indexing brackets to selectively return only those rows of a data structure that meet specified criteria.

General domain of usage
Data frame manipulation and filtering in data analysis

**Indexation logique** permettant de filtrer les lignes d'une data frame selon des **conditions**. Au lieu de mémoriser les numéros de ligne, il suffit de spécifier des expressions logiques, et seules les lignes où la condition est `TRUE` sont retournées.

name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")
test <- data.frame(name, age, gender)

# People older than 30
test[test$age > 30, ]
# Males only
test[test$gender == 'M', ]

La condition doit être placée à la position de l’index des lignes entre crochets (`[condition, ]`).

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Виконуємо user_code.R, отримуємо res$logs
#  2) Кожний CASE — окремий dynamic_test(...)
# =====================================================================

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

# Ідентифікація файлу користувача
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")

# Виконання коду з обмеженням обсягу виводу
logs_full <- utils::capture.output(source(user_file, echo = FALSE, print.eval = TRUE))
out <- trimws(substr(paste(logs_full, collapse = " "), 1, 1000))  # максимум 1000 символів

# ---------- CASE 1 ----------
{
  fastest <- mtcars[mtcars$qsec < 16, ]
  ok <- all(rownames(fastest) %in% c("Duster 360", "Camaro Z28", "Ford Pantera L", "Ferrari Dino", "Maserati Bora"))

  dynamic_test(
    ok,
    "Filtering mtcars[qsec < 16] returns correct rows (fastest cars)",
    sprintf("Expected rows: Duster 360, Camaro Z28, Ford Pantera L, Ferrari Dino, Maserati Bora. Got: %s",
            paste(rownames(fastest), collapse = ", "))
  )
}

# ---------- CASE 2 ----------
{
  six_cyl <- mtcars[mtcars$cyl == 6, ]
  ok <- all(rownames(six_cyl) %in% c("Mazda RX4", "Mazda RX4 Wag", "Hornet 4 Drive",
                                     "Valiant", "Merc 280", "Merc 280C", "Ferrari Dino"))

  dynamic_test(
    ok,
    "Filtering mtcars[cyl == 6] returns correct rows (6-cylinder cars)",
    sprintf("Expected 7 rows: Mazda RX4, Mazda RX4 Wag, Hornet 4 Drive, Valiant, Merc 280, Merc 280C, Ferrari Dino. Got: %s",
            paste(rownames(six_cyl), collapse = ", "))
  )
}

# ---------- CASE 3 ----------
{
  ok <- grepl("Duster 360", out) &&
        grepl("Camaro Z28", out) &&
        grepl("Ferrari Dino", out) &&
        grepl("Mazda RX4", out) &&
        grepl("Hornet 4 Drive", out) &&
        grepl("Valiant", out)

  dynamic_test(
    ok,
    "Console output contains names of fastest and 6-cylinder cars",
    sprintf("Expected output to include Duster 360, Camaro Z28, Ferrari Dino, Mazda RX4, Hornet 4 Drive, Valiant. Actual (first 300 chars): %s",
            substr(out, 1, 300))
  )
}

# ---------- CASE 4 ----------
{
  # розділяємо аутпут на два датафрейми по повторному заголовку
  parts <- strsplit(out, "mpg cyl disp hp drat wt qsec vs am gear carb")[[1]]
  part1 <- if (length(parts) >= 2) parts[2] else out
  part2 <- if (length(parts) >= 3) parts[3] else out

  # перевіряємо, що у першій частині (fastest cars) є типові моделі
  fast_ok <- grepl("Duster 360", part1) &&
             grepl("Camaro Z28", part1) &&
             grepl("Ford Pantera L", part1) &&
             grepl("Ferrari Dino", part1) &&
             grepl("Maserati Bora", part1)

  # перевіряємо, що у другій частині (6 cylinders) є типові моделі
  cyl6_ok <- grepl("Mazda RX4", part2) &&
             grepl("Mazda RX4 Wag", part2) &&
             grepl("Hornet 4 Drive", part2) &&
             grepl("Valiant", part2) &&
             grepl("Merc 280", part2) &&
             grepl("Merc 280C", part2) &&
             grepl("Ferrari Dino", part2)

  ok <- fast_ok && cyl6_ok

  dynamic_test(
    ok,
    "Console output contains both filtered data frames with correct car names",
    sprintf("Expected first output to include Duster 360... and second to include Mazda RX4... Actual (first 400 chars): %s",
            substr(out, 1, 400))
  )
}


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

Acquérir une compréhension solide de R, l'un des langages les plus utilisés pour l'analyse de données. Explorer les types de données fondamentaux et les valeurs unidimensionnelles, puis progresser vers des structures multidimensionnelles, y compris les matrices, les trames de données et les listes. Développer les compétences nécessaires pour appliquer R efficacement dans l'analyse statistique et la prise de décision basée sur les données.

Apprenez les bases de la syntaxe R, telles que l'arithmétique, les variables, les fonctions d'affichage et les commentaires. Renforcez votre compréhension de la logique computationnelle grâce à des exercices.

Explorez les types de données en R et comprenez leur rôle dans la gestion des données. Développez des compétences dans la manipulation des vecteurs en tant que structures essentielles pour organiser et analyser l'information.

Développer la capacité à gérer efficacement les données catégorielles. Découvrir comment structurer, regrouper et interpréter les valeurs en convertissant des données brutes en catégories claires.

Comprendre comment représenter et manipuler des données structurées à deux dimensions. Développer la confiance dans la transformation, l'étiquetage et l'application d'opérations sur les matrices pour des tâches analytiques.

Maîtrisez la structure de données la plus utilisée dans R pour les informations tabulaires. Apprenez à organiser, transformer et extraire des informations à partir de jeux de données afin de soutenir des décisions basées sur les données.

Apprenez comment les listes vont au-delà des vecteurs en stockant des éléments de types et de longueurs différents. Développez la capacité à créer, accéder et modifier des listes pour organiser des structures de données complexes.

Indexation Logique

Exemple

Solution