Summary  
This chapter explains how to create homogeneous vectors using the c() function and how R automatically performs type coercion when different data types are combined in a vector.  

General domain of usage  
Data analysis

En **vektor** er en datastruktur som lagrer flere verdier av **samme type** i én variabel.

Definisjon

## Opprette vektorer
For å opprette en vektor, bruk funksjonen `c()` og skill verdiene med komma:

## Typekonvertering i vektorer
Vektorer må være homogene, så du kan ikke blande heltall, logiske verdier og tekst i samme vektor. Hvis du inkluderer ulike datatyper i samme vektor, vil R konvertere alle elementene til én felles datatype.

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Один раз выполняем пользовательский файл в отдельном окружении
#     через run_user_code(...). Получаем:
#       - 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 в двух вариантах:
#  1) в корне проекта:        ../../user_code.R  (относительно tests/testthat)
#  2) рядом с тестами:        user_code.R        (внутри tests/testthat)
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)

# Нормализуем пути, оставляем существующие
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    = character(0),
  echo       = FALSE,
  print.eval = TRUE
)

out <- trimws(paste(res$logs, collapse = " "))

# ---------- CASE 1 ----------
{
  ok <- grepl("(^|.)0.0 10.5 20.0(.|$)", out)
  dynamic_test(
    ok,
    "Console output contains first vector: 0.0 10.5 20.0",
    sprintf("Expected output to include '0.0 10.5 20.0'. Actual: %s", out)
  )
}

# ---------- CASE 2 ----------
{
  ok <- grepl("1[.]0[+] *0i *2[.]5[+] *0i *5[.]0[+]10i", out)
  dynamic_test(
    ok,
    "Console output contains second vector: 1.0+0i 2.5+0i 5.0+10i",
    sprintf("Expected output to include '1.0+0i 2.5+0i 5.0+10i'. Actual: %s", out)
  )
}

# ---------- CASE 3 ----------
{
  ok <- grepl("(^|.)2.5 1.0 5.0(.|$)", out)
  dynamic_test(
    ok,
    "Console output contains third vector: 2.5 1.0 5.0",
    sprintf("Expected output to include '2.5 1.0 5.0'. Actual: %s", out)
  )
}

# ---------- CASE 4 ----------
{
  ok <- grepl('(^|.)"FALSE" "25.5"  "R"(.|$)', out)
  dynamic_test(
    ok,
    'Console output contains fourth vector: "FALSE" "25.5" "R"',
    sprintf('Expected output to include "FALSE" "25.5" "R" 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

Få en solid forståelse av R, et av de mest brukte språkene for dataanalyse. Utforsk grunnleggende datatyper og endimensjonale verdier, og gå deretter videre til flerdimensjonale strukturer, inkludert matriser, data frames og lister. Bygg ferdighetene som trengs for å bruke R effektivt i statistisk analyse og datadrevne beslutningsprosesser.

Lær det grunnleggende om R-syntaks, som aritmetikk, variabler, utskriftsfunksjoner og kommentarer. Styrk forståelsen av beregningslogikk gjennom øvelser.

Utforsk Rs datatyper og forstå deres rolle i håndtering av data. Bygg ferdigheter i å arbeide med vektorer som essensielle strukturer for organisering og analyse av informasjon.

Utvikle evnen til å håndtere kategoriske data effektivt. Lær hvordan du strukturerer, grupperer og tolker verdier ved å konvertere rådata til tydelige kategorier.

Forstå hvordan man representerer og arbeider med strukturert todimensjonale data. Bygg trygghet i å transformere, merke og anvende operasjoner på matriser for analytiske oppgaver.

Behersk den mest brukte datastrukturen i R for tabulær informasjon. Lær å organisere, transformere og hente innsikt fra datasett for å støtte datadrevne beslutninger.

Lær hvordan lister går utover vektorer ved å lagre elementer av ulike typer og lengder. Utvikle ferdigheter i å opprette, få tilgang til og endre lister for å organisere komplekse datastrukturer.

Forståelse av Vektorer

Opprette vektorer

Typekonvertering i vektorer

Eksempel

Løsning