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

Por defecto, los valores numéricos en R se almacenan como **números de punto flotante de doble precisión** (`double`). Para utilizar enteros o números complejos, es necesario marcarlos explícitamente.

## Tipos numéricos
- `double`: números reales, con o sin punto decimal;
- `integer`: números enteros (utilizar el sufijo `L`, por ejemplo, `10L`);
- `complex`: números con parte real e imaginaria (utilizar el sufijo `i` para la parte imaginaria).


Los enteros suelen requerir menos memoria que los dobles, por lo que distinguir entre ellos puede ser importante para la eficiencia.

# =====================================================================
# 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

Adquiera una comprensión sólida de R, uno de los lenguajes más utilizados para el análisis de datos. Explore los tipos de datos fundamentales y los valores unidimensionales, luego avance hacia estructuras multidimensionales, incluidas matrices, marcos de datos y listas. Desarrolle las habilidades necesarias para aplicar R de manera efectiva en el análisis estadístico y la toma de decisiones basada en datos.

Aprenda los aspectos esenciales de la sintaxis de R, como aritmética, variables, funciones de impresión y comentarios. Refuerce su comprensión de la lógica computacional mediante ejercicios.

Explora los tipos de datos en R y comprende su función en el manejo de datos. Desarrolla habilidades para trabajar con vectores como estructuras esenciales para organizar y analizar información.

Desarrollar la capacidad para gestionar datos categóricos de manera eficaz. Descubrir cómo estructurar, agrupar e interpretar valores al convertir datos sin procesar en categorías claras.

Comprender cómo representar y trabajar con datos estructurados bidimensionales. Desarrollar confianza en la transformación, etiquetado y aplicación de operaciones a matrices para tareas analíticas.

Domina la estructura de datos más utilizada en R para información tabular. Aprende a organizar, transformar y extraer información de conjuntos de datos para respaldar decisiones basadas en datos.

Aprenda cómo las listas van más allá de los vectores al almacenar elementos de diferentes tipos y longitudes. Desarrolle la capacidad de crear, acceder y modificar listas para organizar estructuras de datos complejas.

Tipos Numéricos

Tipos numéricos

Ejemplo

Solución

Tipos Numéricos

Tipos numéricos

Ejemplo

Solución