Summary  
This chapter covers how to explicitly convert numeric values between integer, double, and complex types using built-in functions and explains the valid conversion hierarchy and rules (such as truncation of decimals and handling of imaginary parts).

General domain of usage  
Numerical computing

Tall kan konverteres mellom ulike typer ved hjelp av innebygde funksjoner. Dette gjør det mulig å arbeide med verdier som heltall, desimaltall eller komplekse tall etter behov.

## Feil konvertering
Å bare legge til `L` til en eksisterende variabel konverterer den ikke:

## Korrekt konvertering
I stedet bør du bruke en av disse funksjonene:
- `as.integer()`;
- `as.double()`;
- `as.complex()`.

as.integer(3.8)
as.double(5L)
as.complex(7)

Numeriske typer følger et hierarki som definerer hvordan verdier kan konverteres:
- `integer → double → complex`-konverteringer er alltid gyldige;
- Konvertering av en `double` til en `integer` fjerner desimaldelen;
- Et `complex`-tall kan bare konverteres hvis den imaginære delen er null.

# =====================================================================
# 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 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]]  # первый найденный

# Выполняем user_code.R один раз, извлекаем вывод
res <- run_user_code(
  file       = user_file,
  capture    = character(0),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok  <- grepl("(^|[^0-9])9([^0-9]|$)", out)

  dynamic_test(
    ok,
    "Console output contains result of as.integer(9.85) (9)",
    sprintf("Expected console output to include '9' (result of as.integer(9.85)). Actual: %s", out)
  )
}

# ---------- CASE 2 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok  <- grepl("(^|[^0-9])42([^0-9]|$)", out)

  dynamic_test(
    ok,
    "Console output contains result of as.double(42L) (42)",
    sprintf("Expected console output to include '42' (result of as.double(42L)). 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.

Typekonvertering

Feil konvertering

Korrekt konvertering

Løsning

Typekonvertering

Feil konvertering

Korrekt konvertering

Løsning