Summary  
This chapter shows how to index into a list by position or name, using single brackets to return sublists and double brackets (or the $ shorthand) to extract the underlying values.

General domain of usage  
Data manipulation

Listelement kan nås på flera sätt. Precis som i vektorer börjar indexeringen vid `1`.

## Åtkomst via index
Element i en lista kan nås med antingen enkla eller dubbla hakparenteser:
- Användning av **enkla hakparenteser** (`[ ]`) returnerar elementet som en **lista**;
- Användning av **dubbla hakparenteser** (`[[ ]]`) returnerar **själva värdet**.

test <- list(text = "Text", number = 42, logical = TRUE)

# Extract as list
test[2]
# Extract as value
test[[2]]

## Åtkomst via etikett
Om en lista har etiketter kan du extrahera element med hjälp av dessa etiketter. Precis som med index kan du använda enkla hakparenteser (`[ ]`) för att returnera en lista eller dubbla hakparenteser (`[[ ]]`) för att returnera värdet. Dessutom ger dollartecknet (`$`) en genväg för att komma åt värden.

test <- list(text = "Text", number = 42, logical = TRUE)

# Extract as list
test["text"]
# Extract as value
test[["text"]]
test$text

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
# =====================================================================

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

# Знаходимо user_code.R
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)
user_file <- candidates[file.exists(candidates)][1]
if (is.na(user_file)) stop("user_code.R not found")

# Виконуємо код користувача
res <- run_user_code(
  file       = user_file,
  capture    = c("info"),
  echo       = FALSE,
  print.eval = TRUE
)

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

  dynamic_test(
    ok,
    "Variable 'info' is declared and is a list",
    "Expected 'info' to exist and be a list."
  )
}

# ---------- CASE 2 ----------
{
  expected_names <- c('Course name', 'Section', 'Chapter', 'Chapter overall')
  ok <- identical(names(res$values$info), expected_names)

  dynamic_test(
    ok,
    "List 'info' has correct element names",
    sprintf("Expected names: %s. Got: %s",
            paste(expected_names, collapse = ", "),
            paste(names(res$values$info), collapse = ", "))
  )
}

# ---------- CASE 3 ----------
{
  first_elem <- res$values$info[1]
  ok <- is.list(first_elem)

  dynamic_test(
    ok,
    "Extracting first element with [1] returns a list",
    "Expected info[1] to be a list, not a single value."
  )
}

# ---------- CASE 4 ----------
{
  fourth_elem <- res$values$info[[4]]
  ok <- is.numeric(fourth_elem)

  dynamic_test(
    ok,
    "Extracting fourth element with [[4]] returns a numeric value",
    "Expected info[[4]] to be a numeric value (41)."
  )
}

# ---------- CASE 5 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("Course name", out, fixed = TRUE) &&
        grepl("R Introduction", out, fixed = TRUE) &&
        grepl("list", out, fixed = TRUE) &&
        grepl("41", out, fixed = TRUE) &&
        grepl("numeric", out, fixed = TRUE)

  dynamic_test(
    ok,
    "Console output contains extracted elements and their classes",
    sprintf("Expected output to include Course name, list, numeric, 41. Actual (first 300 chars): %s",
            substr(out, 1, 300))
  )
}


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 gedigen förståelse för R, ett av de mest använda språken för dataanalys. Utforska grundläggande datatyper och endimensionella värden, och gå sedan vidare till flerdimensionella strukturer, inklusive matriser, data frames och listor. Bygg de färdigheter som krävs för att använda R effektivt inom statistisk analys och datadrivna beslutsprocesser.

Lär dig grunderna i R-syntax, såsom aritmetik, variabler, utskriftsfunktioner och kommentarer. Fördjupa förståelsen av beräkningslogik genom övningar.

Utforska R:s datatyper och förstå deras roll i datahantering. Utveckla färdigheter i att arbeta med vektorer som grundläggande strukturer för att organisera och analysera information.

Utveckla förmågan att hantera kategoriska data effektivt. Upptäck hur man strukturerar, grupperar och tolkar värden genom att omvandla rådata till tydliga kategorier.

Förstå hur man representerar och arbetar med strukturerad tvådimensionell data. Bygg upp säkerhet i att transformera, märka och tillämpa operationer på matriser för analytiska uppgifter.

Behärska den mest använda datastrukturen i R för tabellinformation. Lär dig att organisera, transformera och extrahera insikter från dataset för att stödja datadrivna beslut.

Lär dig hur listor går utöver vektorer genom att lagra element av olika typer och längder. Utveckla förmågan att skapa, komma åt och modifiera listor för att organisera komplexa datastrukturer.

Indexering av Listelement

Åtkomst via index

Exempel

Åtkomst via etikett

Exempel

Lösning