Summary  
This chapter explains how to access elements in a matrix by specifying row and column indices, including selecting single values, multiple entries via index vectors, and entire rows or columns by omitting one index.

General domain of usage  
Data analysis

Elementer i en matrise nås med to indekser: **radnummer** og **kolonnenummer**. Som vanlig starter indekseringen på 1. Bruk hakeparenteser `[row, column]` for å angi posisjonen til et element.

## Enkeltverdier
Oppgi både rad- og kolonneindeks for å hente ut en enkelt verdi.

num <- 1:9
m <- matrix(num, nrow = 3, ncol = 3, byrow = T)

# Element in row 2, column 2 (value 5)
m[2, 2]
# Element in row 1, column 3 (value 3)
m[1, 3]

## Flere elementer
Bruk en vektor med indekser for å hente ut flere verdier samtidig.

num <- 1:9
m <- matrix(num, nrow = 3, ncol = 3, byrow = T)

# Elements in row 3, columns 2 and 3
m[3, c(2, 3)]

## Hele rader eller kolonner
Utelat én av indeksene for å returnere en hel rad eller kolonne.

num <- 1:9
m <- matrix(num, nrow = 3, ncol = 3, byrow = T)

# Entire first row
m[1, ]
# Entire third column
m[, 3]

# =====================================================================
# 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("m"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$m) && is.matrix(res$values$m) &&
        all(res$values$m[1, ] == c(2, 4, 6, 8)) &&
        all(res$values$m[2, ] == c(10, 12, 14, 16))

  dynamic_test(
    ok,
    "Matrix 'm' is declared correctly with expected values",
    "Expected rows: [2 4 6 8] and [10 12 14 16]"
  )
}

# ---------- CASE 2 ----------
{
  val_12 <- res$values$m[2, 2]
  ok <- identical(val_12, 12)

  dynamic_test(
    ok,
    "Extracting m[2,2] returns 12",
    sprintf("Expected m[2,2] = 12. Got: %s", val_12)
  )
}

# ---------- CASE 3 ----------
{
  val_46 <- res$values$m[1, c(2, 3)]
  ok <- identical(as.numeric(val_46), c(4, 6))

  dynamic_test(
    ok,
    "Extracting m[1, c(2,3)] returns 4 and 6",
    sprintf("Expected m[1, c(2,3)] = c(4,6). Got: %s",
            paste(val_46, collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  val_col3 <- res$values$m[, 3]
  ok <- identical(as.numeric(val_col3), c(6, 14))

  dynamic_test(
    ok,
    "Extracting m[,3] returns column 6 and 14",
    sprintf("Expected m[,3] = c(6,14). Got: %s",
            paste(val_col3, collapse = " "))
  )
}

# ---------- CASE 5 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("12", out) && grepl("4", out) && grepl("6", out) && grepl("14", out)

  dynamic_test(
    ok,
    "Console output contains extracted values 12, 4, 6, and 14",
    sprintf("Expected output to include 12, 4, 6, and 14. 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 R sine datatyper og forstå deres rolle i datahåndtering. 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 kan strukturere, gruppere og tolke verdier ved å konvertere rådata til tydelige kategorier.

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

Bli ekspert på den mest brukte datastrukturen i R for tabellarisk 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.

Indeksering i Matriser

Enkeltverdier

Eksempel

Flere elementer

Eksempel

Hele rader eller kolonner

Eksempel

Løsning