Summary
This chapter explains how to perform matrix transposition—swapping rows and columns—using a built-in transpose function.

General domain of usage
Scientific computing (e.g., linear algebra operations)

Transponering er operationen, hvor rækker og kolonner i en matrix byttes om. I R udføres dette med funktionen `t()`.

# Initial matrix
m <- matrix(1:6, nrow = 2)
m

# Transposed matrix
t(m)

Den oprindelige matrix har 2 rækker og 3 kolonner. Efter transponering bliver den til 3 rækker og 2 kolonner.

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

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$num) &&
        is.numeric(res$values$num) &&
        identical(res$values$num, seq(2, 16, 2))

  dynamic_test(
    ok,
    "Variable 'num' is declared correctly as seq(2, 16, 2)",
    sprintf("Expected num = seq(2, 16, 2). Got: %s",
            paste(utils::capture.output(dput(res$values$num)), collapse = " "))
  )
}

# ---------- CASE 2 ----------
{
  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 built correctly with two rows and four columns",
    "Expected rows: [2 4 6 8] and [10 12 14 16]"
  )
}

# ---------- CASE 3 ----------
{
  t_m <- t(res$values$m)
  ok <- all(t_m[, 1] == c(2, 4, 6, 8)) && all(t_m[, 2] == c(10, 12, 14, 16))

  dynamic_test(
    ok,
    "t(m) transposes the matrix correctly",
    "Expected first column = [2 4 6 8], second column = [10 12 14 16]"
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("2", out) && grepl("4", out) && grepl("6", out) &&
        grepl("8", out) && grepl("10", out) && grepl("12", out) &&
        grepl("14", out) && grepl("16", out)

  dynamic_test(
    ok,
    "Console output contains all values of transposed matrix (2,4,6,8,10,12,14,16)",
    sprintf("Expected output to include transposed values 2–16 step 2. 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

Opnå en solid forståelse af R, et af de mest udbredte sprog til dataanalyse. Udforsk grundlæggende datatyper og endimensionelle værdier, og gå derefter videre til flerdimensionelle strukturer, herunder matricer, data frames og lister. Opbyg de nødvendige færdigheder til at anvende R effektivt i statistisk analyse og datadrevne beslutningsprocesser.

Lær det grundlæggende i R-syntaks, såsom aritmetik, variabler, printfunktioner og kommentarer. Styrk din forståelse af beregningslogik gennem øvelser.

Undersøg R's datatyper og forstå deres rolle i datahåndtering. Opbyg færdigheder i at arbejde med vektorer som essentielle strukturer til organisering og analyse af information.

Udvikl evnen til effektivt at håndtere kategoriske data. Lær at strukturere, gruppere og fortolke værdier ved at omdanne rå data til tydelige kategorier.

Forstå, hvordan man repræsenterer og arbejder med strukturerede todimensionelle data. Opnå fortrolighed med at transformere, navngive og anvende operationer på matricer til analytiske opgaver.

Behersk den mest anvendte datastruktur i R til tabelbaseret information. Lær at organisere, transformere og udtrække indsigter fra datasæt for at understøtte datadrevne beslutninger.

Forstå, hvordan lister adskiller sig fra vektorer ved at kunne indeholde elementer af forskellige typer og længder. Opnå færdigheder i at oprette, tilgå og ændre lister til organisering af komplekse datastrukturer.

Transponering af Matricer

Eksempel

Løsning