
library(testthat)

source("user_code.R")
test_that("returns a labeled string with all components", {
  out <- format_statistical_results(1.5, 0.05, 0.2, "Some effect detected.")
  expect_type(out, "character")
  expect_true(grepl("Statistic: 1.5", out), info = "Should include labeled statistic with value.")
  expect_true(grepl("p-value: 0.05", out), info = "Should include labeled p-value with value.")
  expect_true(grepl("Effect size: 0.2", out), info = "Should include labeled effect size with value.")
  expect_true(grepl("Interpretation: Some effect detected.", out), info = "Should include labeled interpretation with value.")
})

test_that("combines values correctly in output string", {
  out <- format_statistical_results(-2.4, 0.001, 0.78, "Strong negative association.")
  expect_match(out, "^Statistic: -2.4; p-value: 0.001; Effect size: 0.78; Interpretation: Strong negative association.$", 
    info = "Should match the exact required format and value order.")
})

test_that("handles both positive and negative statistic values", {
  out_pos <- format_statistical_results(3.2, 0.04, 0.5, "Positive effect.")
  out_neg <- format_statistical_results(-3.2, 0.04, 0.5, "Negative effect.")
  expect_true(grepl("Statistic: 3.2", out_pos), info = "Should correctly handle positive statistic.")
  expect_true(grepl("Statistic: -3.2", out_neg), info = "Should correctly handle negative statistic.")
})

test_that("handles significant and non-significant p-values", {
  out_sig <- format_statistical_results(1.1, 0.02, 0.3, "Significant effect.")
  out_nonsig <- format_statistical_results(1.1, 0.3, 0.3, "No significant effect.")
  expect_true(grepl("p-value: 0.02", out_sig), info = "Should correctly handle significant p-value.")
  expect_true(grepl("p-value: 0.3", out_nonsig), info = "Should correctly handle non-significant p-value.")
})

test_main.R

Eine praxisorientierte Einführung in die R-Programmierung, zugeschnitten auf Biologen und Bioinformatiker. Analyse, Visualisierung und Interpretation biologischer Daten mit R anhand von praxisnahen Beispielen aus Genomik, Ökologie und experimenteller Biologie.

Erlernen Sie die Grundlagen der R-Programmierung mit Schwerpunkt auf biologischen Daten, einschließlich Variablen, Datentypen und grundlegender Datenmanipulation.

Vertiefung in statistische Methoden zur Analyse biologischer Daten, einschließlich zusammenfassender Statistiken, Hypothesentests und Interpretation von Ergebnissen.

Beherrschen Sie die Kunst der Visualisierung biologischer Daten mit R, von einfachen Diagrammen bis hin zu fortgeschrittenen Visualisierungen, die für Experimente relevant sind.

Erlernen Sie den Umgang mit genomischen Daten und die Entwicklung reproduzierbarer Workflows für wissenschaftliche Forschung in R.

Challenge: Reporting Biological Results

Lösung