Summary  
This chapter explains how to index and subset factor objects by position or sequences of positions, and how to drop unused levels when extracting elements.  

General domain of usage  
Categorical data manipulation in data analysis

ファクターでのインデックス指定はベクトルと同様に機能し、要素の位置や位置のシーケンスによって要素を選択します。

## 基本的なインデックス指定
角括弧内にインデックスを指定することで、ファクターから特定の値を取得できます。

curr_f <- factor(c('USD', 'EUR', 'AUD', 'NOK', 
                   'CHF', 'EUR', 'AUD', 'EUR'))

# Output the third and fifth values
curr_f[c(3, 5)]

結果には選択された値が表示されますが、Rは出力の下にファクターのすべてのレベルを引き続き表示します。

## 未使用レベルの削除
結果に現れるレベルのみを表示したい場合は、`drop = T`（`T` または `TRUE`）パラメータを使用します。

curr_f <- factor(c('USD', 'EUR', 'AUD', 'NOK', 
                   'CHF', 'EUR', 'AUD', 'EUR'))

# Show only levels that appear in the result
curr_f[c(3, 5), drop = T]

## シーケンス
範囲の要素を選択する際、コロン演算子（`:`）は連続したインデックスを生成します。例えば、`5:10` は `5, 6, 7, 8, 9, 10` というシーケンスを作成します。これにより、複数の要素を一度に抽出することが容易になります。

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Один раз выполняем пользовательский файл в отдельном окружении
#     через run_user_code(...). Получаем:
#       - res$values$...  — переменные из окружения
#       - res$logs        — весь печатный вывод (включая результаты выражений)
#  2) Каждый кейс — отдельный dynamic_test(...), то есть отдельная строка
#     в отчёте, с «говорящим» названием (успех/ошибка).
# =====================================================================

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

# Ищем user_code.R
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)

candidates_norm <- vapply(candidates, function(p) {
  tryCatch(normalizePath(p, winslash = "/", mustWork = FALSE), error = function(e) NA_character_)
}, character(1))

exists_flags <- file.exists(candidates_norm)
if (!any(exists_flags)) {
  stop(
    sprintf(
      "user_code.R not found.\nChecked paths:\n  - %s\nWorking dir: %s",
      paste(candidates, collapse = "\n  - "),
      getwd()
    )
  )
}

user_file <- candidates_norm[which(exists_flags)[1]]

# Выполняем user_code.R и перехватываем консольный вывод
res <- run_user_code(
  file       = user_file,
  capture    = c("blood_gr"),
  echo       = FALSE,
  print.eval = TRUE
)

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

  dynamic_test(
    ok,
    "Variable 'blood_gr' is declared and factor type",
    "Expected variable 'blood_gr' to exist and be a factor."
  )
}

# ---------- CASE 2 ----------
{
  # Очікувані рівні для першого підвибіркового фактору
  expected_levels_1 <- c("B+", "O-", "O+")
  sub_1 <- droplevels(res$values$blood_gr[c(3, 10, 15)])
  ok <- identical(levels(sub_1), expected_levels_1)

  dynamic_test(
    ok,
    "Sub-factor blood_gr[c(3,10,15), drop=T] has correct levels",
    sprintf("Expected levels: %s. Got: %s",
            paste(expected_levels_1, collapse = ", "),
            paste(levels(sub_1), collapse = ", "))
  )
}

# ---------- CASE 3 ----------
{
  expected_levels_2 <- c("A-", "AB-", "AB+", "B-", "B+", "O-", "O+")
  sub_2 <- droplevels(res$values$blood_gr[15:21])
  ok <- identical(levels(sub_2), expected_levels_2)

  dynamic_test(
    ok,
    "Sub-factor blood_gr[15:21] has correct levels",
    sprintf("Expected levels: %s. Got: %s",
            paste(expected_levels_2, collapse = ", "),
            paste(levels(sub_2), collapse = ", "))
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("O-", out) && grepl("B+", out) && grepl("O+", out) &&
        grepl("Levels", out)

  dynamic_test(
    ok,
    "Console output contains subset values and 'Levels:'",
    sprintf("Expected console output to include subset values and 'Levels:'. Actual: %s", out)
  )
}


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

データ分析で最も広く使用されている言語の一つであるRについて、確かな理解を身につけます。基本的なデータ型や一次元の値を学び、次に行列、データフレーム、リストなどの多次元構造へと進みます。統計解析やデータ駆動型の意思決定にRを効果的に活用するためのスキルを習得します。

算術演算、変数、出力関数、コメントなど、Rの構文の基本を学びます。演習を通じて計算論理の理解を深めます。

Rのデータ型を探求し、データ処理におけるその役割を理解します。情報の整理と分析に不可欠な構造としてベクトルを扱うスキルを身につけます。

カテゴリカルデータを効果的に管理する能力を身につけます。生データを明確なカテゴリに変換することで、値を構造化し、グループ化し、解釈する方法を学びます。

構造化された二次元データを表現し、操作する方法を理解します。分析作業のために、行列の変換、ラベリング、演算の適用に自信を持てるようになります。

Rで最も広く使用されている表形式データ構造を習得します。データセットを整理し、変換し、洞察を抽出して、データ駆動型の意思決定を支援します。

リストがベクトルを超えて、異なる型や長さの要素を格納できることを学びます。複雑なデータ構造を整理するために、リストの作成、アクセス、変更の能力を身につけます。

ファクターにおけるインデックス付け

基本的なインデックス指定

未使用レベルの削除

シーケンス

解答