Summary  
This chapter explains how to convert continuous numeric vectors into categorical factors by defining interval breaks and labels using the cut() function, with options to specify boundary inclusion and ordering.

General domain of usage  
Data analysis

Kontinuerlige numeriske data kan omdannes til kategorier ved hjælp af funktionen `cut()`. Dette er nyttigt, når du ønsker at analysere intervaller i stedet for enkelte værdier.

## Funktionsoversigt
Funktionen `cut()` opdeler tal i intervaller og returnerer en faktor:

```r
cut(x, breaks, labels = NULL, right = TRUE, ordered_result = FALSE)
```

- `x`: numerisk vektor, der skal kategoriseres;
- `breaks`: antal intervaller eller specifikke skæringspunkter;
- `labels`: navne til kategorierne;
- `right`: om intervallerne er lukkede til højre;
- `ordered_result`: om kategorierne skal være ordnede.

heights <- c(170, 165, 195, 172, 189, 156, 178, 198,
             157, 182, 171, 184, 163, 176, 169, 153)

# Split heights into 3 groups
heights_f <- cut(heights,
                 breaks = c(0, 160, 190, 250),
                 labels = c('short', 'medium', 'tall'),
                 ordered_result = TRUE)

heights_f

Som resultat:
- Dataen er opdelt i tre intervaller: `(0,160]`, `(160,190]` og `(190,250]`;
- De er mærket som `'short'`, `'medium'` og `'tall'`;
- Kategorierne følger en naturlig rækkefølge.

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

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

  dynamic_test(
    ok,
    "Variable 'grades' is declared and numeric",
    "Expected variable 'grades' to exist and be numeric."
  )
}

# ---------- CASE 2 ----------
{
  ok <- !is.null(res$values$grades_f) &&
        is.factor(res$values$grades_f) &&
        is.ordered(res$values$grades_f)

  dynamic_test(
    ok,
    "Variable 'grades_f' is declared and ordered factor type",
    "Expected variable 'grades_f' to exist and be an ordered factor."
  )
}

# ---------- CASE 3 ----------
{
  expected_levels <- c('F', 'D', 'C', 'B', 'A')
  ok <- identical(levels(res$values$grades_f), expected_levels)

  dynamic_test(
    ok,
    "Factor 'grades_f' has correct ordered levels (F < D < C < B < A)",
    sprintf("Expected levels: %s. Got: %s",
            paste(expected_levels, collapse = ", "),
            paste(levels(res$values$grades_f), collapse = ", "))
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("F", out) && grepl("D", out) && grepl("C", out) &&
        grepl("B", out) && grepl("A", out) && grepl("Levels", out)

  dynamic_test(
    ok,
    "Console output contains factor letters and 'Levels'",
    sprintf("Expected console output to include grades (F, D, C, B, A) and 'Levels'. 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 af R, et af de mest udbredte sprog til dataanalyse. Udforsk grundlæggende datatyper og endimensionelle værdier, og gå derefter videre til multidimensionelle strukturer, herunder matricer, dataframes og lister. Opbyg de nødvendige færdigheder til effektiv anvendelse af R 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.

Udforsk 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. Opbyg selvtillid i at transformere, navngive og anvende operationer på matricer til analytiske opgaver.

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

Lær, hvordan lister går ud over vektorer ved at gemme elementer af forskellige typer og længder. Udvikl evnen til at oprette, tilgå og ændre lister til organisering af komplekse datastrukturer.

Gruppering af numeriske data

Funktionsoversigt

Eksempel

Løsning