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)

Transposition ist die Operation, bei der die Zeilen und Spalten einer Matrix vertauscht werden. In R erfolgt dies mit der Funktion `t()`.

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

# Transposed matrix
t(m)

Die ursprüngliche Matrix hat 2 Zeilen und 3 Spalten. Nach der Transponierung besteht sie aus 3 Zeilen und 2 Spalten.

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

Erwerben Sie ein fundiertes Verständnis von R, einer der am weitesten verbreiteten Sprachen für Datenanalyse. Erforschen Sie grundlegende Datentypen und eindimensionale Werte und vertiefen Sie sich anschließend in mehrdimensionale Strukturen wie Matrizen, Data Frames und Listen. Entwickeln Sie die Fähigkeiten, R effektiv in der statistischen Analyse und datenbasierten Entscheidungsfindung einzusetzen.

Erlernen Sie die Grundlagen der R-Syntax, wie Arithmetik, Variablen, Ausgabefunktionen und Kommentare. Vertiefen Sie Ihr Verständnis der rechnerischen Logik durch Übungen.

Untersuchung der Datentypen in R und deren Bedeutung für die Datenverarbeitung. Entwicklung von Fähigkeiten im Umgang mit Vektoren als grundlegende Strukturen zur Organisation und Analyse von Informationen.

Fähigkeit zur effektiven Verwaltung kategorialer Daten entwickeln. Erfahren, wie Rohdaten durch Strukturierung, Gruppierung und Interpretation in eindeutige Kategorien umgewandelt werden.

Verstehen, wie strukturierte zweidimensionale Daten dargestellt und bearbeitet werden. Sicherheit im Transformieren, Beschriften und Anwenden von Operationen auf Matrizen für analytische Aufgaben gewinnen.

Beherrschung der am häufigsten verwendeten Datenstruktur in R für tabellarische Informationen. Organisation, Transformation und Gewinnung von Erkenntnissen aus Datensätzen zur Unterstützung datenbasierter Entscheidungen.

Erfahren Sie, wie Listen über Vektoren hinausgehen, indem sie Elemente unterschiedlichen Typs und unterschiedlicher Länge speichern. Entwicklung der Fähigkeit, Listen zu erstellen, darauf zuzugreifen und sie zu modifizieren, um komplexe Datenstrukturen zu organisieren.

Transponieren von Matrizen

Beispiel

Lösung