Summary  
This chapter covers the built-in numeric data types—double-precision floats, integers, and complex numbers—and how to explicitly specify each type to control precision and memory usage.

General domain of usage  
Scientific computing

Standaard worden numerieke waarden in R opgeslagen als **double-precision floating-point** getallen (`double`). Voor het gebruik van gehele getallen of complexe getallen moet dit expliciet worden aangegeven.

## Numerieke typen
- `double`: reële getallen met of zonder decimaalteken;
- `integer`: gehele getallen (gebruik de `L`-suffix, bijvoorbeeld `10L`);
- `complex`: getallen met zowel een reëel als een imaginair deel (gebruik de `i`-suffix voor het imaginaire deel).


Gehele getallen vereisen doorgaans minder geheugen dan doubles, waardoor het onderscheid tussen deze typen belangrijk kan zijn voor efficiëntie.

# =====================================================================
# 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 переменные и перехватываем вывод
res <- run_user_code(
  file       = user_file,
  capture    = c("year"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$year) && identical(res$values$year, 2025L)

  dynamic_test(
    ok,
    "Variable 'year' is declared and equals 2025L",
    sprintf("Expected 'year' == 2025L. Got: %s", paste(res$values$year))
  )
}

# ---------- CASE 2 ----------
{
  ok <- identical(typeof(res$values$year), "integer")

  dynamic_test(
    ok,
    "Variable 'year' has type 'integer'",
    sprintf("Expected typeof(year) == 'integer'. Got: %s", typeof(res$values$year))
  )
}

# ---------- CASE 3 ----------
{
  out <- paste(res$logs, collapse = " ")
  ok  <- grepl("(^|.)integer(.|$)", out)

  dynamic_test(
    ok,
    'Console output contains "integer"',
    sprintf('Expected console output to include [1] "integer". 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

Verkrijg een grondig begrip van R, een van de meest gebruikte talen voor data-analyse. Ontdek fundamentele datatypes en eendimensionale waarden, en ga vervolgens verder met multidimensionale structuren, waaronder matrices, dataframes en lijsten. Ontwikkel de vaardigheden die nodig zijn om R effectief toe te passen bij statistische analyse en datagedreven besluitvorming.

Leer de basisprincipes van R-syntaxis, zoals rekenkundige bewerkingen, variabelen, printfuncties en opmerkingen. Versterk uw begrip van computationele logica door middel van oefeningen.

Ontdek de datatypen van R en begrijp hun rol bij gegevensverwerking. Ontwikkel vaardigheden in het werken met vectoren als essentiële structuren voor het organiseren en analyseren van informatie.

Ontwikkel het vermogen om categorische gegevens effectief te beheren.
Leer hoe u waarden structureert, groepeert en interpreteert door ruwe gegevens om te zetten in duidelijke categorieën.

Inzicht in het representeren en werken met gestructureerde tweedimensionale gegevens. Vertrouwen opbouwen in het transformeren, labelen en toepassen van bewerkingen op matrixen voor analytische taken.

Beheers de meest gebruikte datastructuur in R voor tabelvormige informatie. Leer datasets organiseren, transformeren en inzichten extraheren ter ondersteuning van datagedreven besluitvorming.

Leer hoe lijsten verder gaan dan vectoren door elementen van verschillende types en lengtes op te slaan. Ontwikkel het vermogen om lijsten te maken, te benaderen en te wijzigen voor het organiseren van complexe datastructuren.

Numerieke Typen

Numerieke typen

Voorbeeld

Oplossing