Summary  
This chapter covers how to manipulate data frame columns by adding new columns via assignment, removing columns using negative selection, and renaming columns with a column-names function.  

General domain of usage  
Data wrangling

Datenrahmen sind flexibel: Sie können **Spalten hinzufügen**, **entfernen** und **umbenennen**, je nach Bedarf.

## Spalten hinzufügen
Um eine neue Spalte hinzuzufügen, weisen Sie einen Vektor von Werten einem neuen Spaltennamen zu. Sie können entweder das Dollarzeichen (`$`) oder eckige Klammern mit Anführungszeichen verwenden.

name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")
test <- data.frame(name, age, gender)

# Adding a new column with job titles
test$job <- c("Teacher", "Doctor", "Manager")
test

Dies kann auch wie folgt durchgeführt werden:
```r
test[, "Job"] <- c("Teacher", "Doctor", "Manager")
```

Die Länge des hinzugefügten Vektors muss mit der Anzahl der Zeilen im Data Frame übereinstimmen.

Hinweis

## Löschen von Spalten
Um eine oder mehrere Spalten zu entfernen, die Funktion `subset()` mit dem Argument `select = -...` verwenden.

name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")
test <- data.frame(name, age, gender)
test$job <- c('Teacher', 'Doctor', 'Manager')

# Drop a single column
subset(test, select = -job)
# Drop multiple columns
subset(test, select = -c(age, gender))

Zum Umbenennen von Spalten wird die Funktion `colnames()` verwendet. Die Syntax ist identisch wie bei Matrizen:
```r
colnames(data) <- new_names
```

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Виконуємо user_code.R в окремому середовищі
#  2) Перевіряємо об'єкти і вивід
# =====================================================================

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 user_code.R і перехоплюємо вивід
res <- run_user_code(
  file       = user_file,
  capture    = c("store"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$store) && is.data.frame(res$values$store)

  dynamic_test(
    ok,
    "Variable 'store' is declared and is a data.frame",
    "Expected 'store' to exist and be a data.frame."
  )
}

# ---------- CASE 2 ----------
{
  expected_cols <- c("Item", "Price", "Sold")
  ok <- identical(colnames(res$values$store), expected_cols)

  dynamic_test(
    ok,
    "Data frame 'store' has correct column names (Item, Price, Sold)",
    sprintf("Expected column names: %s. Got: %s",
            paste(expected_cols, collapse = ", "),
            paste(colnames(res$values$store), collapse = ", "))
  )
}

# ---------- CASE 3 ----------
{
  expected_data <- data.frame(
    Item = c('Sofa', 'Armchair', 'Dining table', 'Dining chair', 'Bookshelf'),
    Price = c(340, 150, 115, 45, 160),
    Sold = c(67, 81, 79, 76, 42)
  )

  ok <- identical(as.character(res$values$store$Item), as.character(expected_data$Item)) &&
        identical(as.numeric(res$values$store$Price), as.numeric(expected_data$Price)) &&
        identical(as.numeric(res$values$store$Sold), as.numeric(expected_data$Sold))

  dynamic_test(
    ok,
    "Data frame 'store' contains correct data in all columns",
    sprintf("Expected rows to match defined values. Got:\n%s",
            paste(utils::capture.output(dput(res$values$store)), collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("Item", out) && grepl("Price", out) && grepl("Sold", out) &&
        grepl("Sofa", out) && grepl("Armchair", out) &&
        grepl("340", out) && grepl("150", out) &&
        grepl("79", out) && grepl("76", out) && grepl("42", out)

  dynamic_test(
    ok,
    "Console output contains all expected column names and numeric values",
    sprintf("Expected console output to include Item, Price, Sold, and numbers 340,150,79,76,42. 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 Programmiersprachen für Datenanalyse. Erkunden 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.

Erkunden Sie die Datentypen in R und verstehen Sie deren Rolle bei der Datenverarbeitung. Entwicklung von Fähigkeiten im Umgang mit Vektoren als grundlegende Strukturen zur Organisation und Analyse von Informationen.

Entwicklung der Fähigkeit, kategoriale Daten effektiv zu verwalten. Entdecken, wie Rohdaten durch Umwandlung in klare Kategorien strukturiert, gruppiert und interpretiert werden können.

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

Beherrschen Sie die am weitesten verbreitete Datenstruktur in R für tabellarische Informationen. Lernen Sie, Datensätze zu organisieren, zu transformieren und Erkenntnisse daraus zu gewinnen, um datenbasierte Entscheidungen zu unterstützen.

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

Spalten Manipulieren

Spalten hinzufügen

Beispiel

Löschen von Spalten

Beispiel

Umbenennen von Spalten

Lösung

Item	Price	Sold
Sofa	340	67
Armchair	150	81
Dining table	115	79
Dining chair	45	76
Bookshelf	160	42