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

Dataframet ovat joustavia: voit **lisätä**, **poistaa** ja **nimetä uudelleen** sarakkeita tarpeen mukaan.

## Sarakkeiden lisääminen
Lisätäksesi uuden sarakkeen, määritä vektori arvoja uudelle sarakkeen nimelle. Voit käyttää joko dollarimerkkiä (`$`) tai hakasulkeita lainausmerkeillä.

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

Voit tehdä saman myös näin:
```r
test[, "Job"] <- c("Teacher", "Doctor", "Manager")
```

Lisättävän vektorin pituuden on vastattava tietokehyksen rivien määrää.

Huomio

## Sarakkeiden poistaminen
Yhden tai useamman sarakkeen poistamiseen käytä `subset()`-funktiota ja argumenttia `select = -...`.

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))

Sarakkeiden uudelleennimeämiseen käytetään `colnames()`-funktiota. Syntaksi on sama kuin matriiseilla:
```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

Hanki vankka ymmärrys R:stä, yhdestä laajimmin käytetyistä kielistä data-analyysissä. Tutustu perusdatalajeihin ja yksiulotteisiin arvoihin, ja etene moniulotteisiin rakenteisiin, kuten matriiseihin, data frameihin ja listoihin. Kehitä taidot, joita tarvitaan R:n tehokkaaseen soveltamiseen tilastollisessa analyysissä ja dataohjautuvassa päätöksenteossa.

Opi R:n syntaksin perusteet, kuten aritmetiikka, muuttujat, tulostusfunktiot ja kommentit. Syvennä ymmärrystäsi laskennallisesta logiikasta harjoitusten avulla.

Tutustu R:n tietotyyppeihin ja ymmärrä niiden merkitys tiedon käsittelyssä. Kehitä taitoja vektorien käytössä olennaisina rakenteina tiedon järjestämisessä ja analysoinnissa.

Kehitä kykyä hallita kategorista dataa tehokkaasti. Opi jäsentämään, ryhmittelemään ja tulkitsemaan arvoja muuntamalla raaka data selkeiksi kategorioiksi.

Ymmärrä, kuinka esittää ja käsitellä jäsenneltyä kaksiulotteista dataa. Vahvista osaamista matriisien muuntelussa, nimeämisessä ja operaatioiden soveltamisessa analyyttisiin tehtäviin.

Hallitse R:n yleisimmin käytetty tietorakenne taulukkomuotoisen tiedon käsittelyyn. Opi järjestämään, muuntamaan ja analysoimaan aineistoja tietoon perustuvien päätösten tueksi.

Opi, miten listat laajentavat vektorien ominaisuuksia mahdollistamalla erilaisten tyyppien ja pituuksien alkioiden tallentamisen. Kehitä kykyä luoda, käsitellä ja muokata listoja monimutkaisten tietorakenteiden järjestämiseksi.

Sarakkeiden Käsittely

Sarakkeiden lisääminen

Esimerkki

Sarakkeiden poistaminen

Esimerkki

Sarakkeiden uudelleennimeäminen

Ratkaisu

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