Summary  
This chapter introduces techniques for extracting structured information from raw data sources by parsing and mapping relevant fields.

General domain of usage  
Retail sales analytics

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Виконуємо user_code.R в ізольованому середовищі
#  2) Перевіряємо створення змінних, розрахунки 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 код і фіксуємо вивід
res <- run_user_code(
  file       = user_file,
  capture    = c("store", "items_sold", "total_revenue"),
  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 ----------
{
  ok <- "Revenue" %in% colnames(res$values$store)

  dynamic_test(
    ok,
    "Column 'Revenue' successfully added to data frame",
    "Expected 'Revenue' column to be present in 'store'."
  )
}

# ---------- CASE 3 ----------
{
  expected_revenue <- res$values$store$Sold * res$values$store$Price
  ok <- identical(as.numeric(res$values$store$Revenue), as.numeric(expected_revenue))

  dynamic_test(
    ok,
    "Column 'Revenue' values are correct (Price * Sold)",
    sprintf("Expected Revenue = Sold * Price. Got: %s",
            paste(utils::capture.output(dput(res$values$store$Revenue)), collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  ok <- !is.null(res$values$items_sold) && res$values$items_sold == 336

  dynamic_test(
    ok,
    "Variable 'items_sold' has correct total value (336)",
    sprintf("Expected items_sold = 336. Got: %s", res$values$items_sold)
  )
}

# ---------- CASE 5 ----------
{
  ok <- !is.null(res$values$total_revenue) && res$values$total_revenue == 55425

  dynamic_test(
    ok,
    "Variable 'total_revenue' has correct total value (55425)",
    sprintf("Expected total_revenue = 55425. Got: %s", res$values$total_revenue)
  )
}

# ---------- CASE 6 ----------
{
  avg_price <- res$values$total_revenue / res$values$items_sold
  ok <- round(avg_price, 4) == 164.9554

  dynamic_test(
    ok,
    "Average price of sold item is correct (~164.9554)",
    sprintf("Expected average price ~164.9554. Got: %s", avg_price)
  )
}

# ---------- CASE 7 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("336", out) && grepl("55425", out) &&
        (grepl("164.9", out) || grepl("164", out))

  dynamic_test(
    ok,
    "Console output contains total items sold, total revenue, and average price",
    sprintf("Expected output to include 336, 55425, and ~164.9. 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

Adquiera una comprensión sólida de R, uno de los lenguajes más utilizados para el análisis de datos. Explore los tipos de datos fundamentales y los valores unidimensionales, luego avance hacia estructuras multidimensionales, incluidas matrices, marcos de datos y listas. Desarrolle las habilidades necesarias para aplicar R de manera efectiva en el análisis estadístico y la toma de decisiones basada en datos.

Aprenda los aspectos esenciales de la sintaxis de R, como aritmética, variables, funciones de impresión y comentarios. Refuerce su comprensión de la lógica computacional mediante ejercicios.

Explora los tipos de datos en R y comprende su función en el manejo de datos. Desarrolla habilidades para trabajar con vectores como estructuras esenciales para organizar y analizar información.

Desarrollar la capacidad para gestionar datos categóricos de manera eficaz. Descubrir cómo estructurar, agrupar e interpretar valores al convertir datos sin procesar en categorías claras.

Comprender cómo representar y trabajar con datos estructurados bidimensionales. Desarrollar confianza en la transformación, etiquetado y aplicación de operaciones a matrices para tareas analíticas.

Domina la estructura de datos más utilizada en R para información tabular. Aprende a organizar, transformar y extraer información de conjuntos de datos para respaldar decisiones basadas en datos.

Aprenda cómo las listas van más allá de los vectores al almacenar elementos de diferentes tipos y longitudes. Desarrolle la capacidad de crear, acceder y modificar listas para organizar estructuras de datos complejas.

Item	Price	Sold
Sofa	340	67
Armchair	150	81
Dining table	115	79
Bookshelf	160	42
Kitchen cabinet	70	67

Item	Price	Sold
Sofa	340	67
Armchair	150	81
Dining table	115	79
Bookshelf	160	42
Kitchen cabinet	70	67

Desafío: Análisis de Ingresos de la Tienda

Solución

Awesome!

Desafío: Análisis de Ingresos de la Tienda

Solución