Summary  
This chapter covers accessing named columns in a data frame using square bracket indexing and the dollar-sign shorthand.

General domain of usage  
Data analysis

Les data frames possèdent toujours des colonnes nommées, et ces noms peuvent être utilisés pour extraire des colonnes spécifiques. Deux principales méthodes existent.

## Utilisation des crochets
Le nom de la colonne peut être spécifié à l'intérieur des crochets.

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

# Extracting the name with square brackets
test[, "name"]

## Utilisation du signe dollar
Les data frames prennent également en charge un opérateur abrégé, `$`, qui permet d'accéder à une colonne par son nom sans utiliser de guillemets.

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

# Extracting the name with dollar sign
test$name

# =====================================================================
# ОПТИМІЗОВАНІ ТЕСТИ ДЛЯ mtcars[,'cyl'] ТА mtcars$disp
# =====================================================================

library(testthat)
source(testthat::test_path("helper-run_user_code.R"), local = TRUE)

# Пошук 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")

# Виконання коду користувача з обмеженим capture
logs_full <- utils::capture.output(source(user_file, echo = FALSE, print.eval = TRUE))
out <- trimws(substr(paste(logs_full, collapse = " "), 1, 1000))  # обмежуємо до 1000 символів

# ---------- CASE 1 ----------
{
  cyl_vals <- mtcars[,'cyl']
  ok <- all(cyl_vals %in% c(4,6,8))

  dynamic_test(
    ok,
    "mtcars[,'cyl'] returns valid cylinder values (4,6,8)",
    "Expected numeric vector containing only 4, 6, or 8."
  )
}

# ---------- CASE 2 ----------
{
  disp_vals <- mtcars$disp
  ok <- is.numeric(disp_vals) && length(disp_vals) == nrow(mtcars)

  dynamic_test(
    ok,
    "mtcars$disp returns numeric vector with correct length",
    sprintf("Expected %d numeric values, got %d.", nrow(mtcars), length(disp_vals))
  )
}

# ---------- CASE 3 ----------
{
  ok <- grepl("6", out, fixed = TRUE) &&
        grepl("4", out, fixed = TRUE) &&
        grepl("8", out, fixed = TRUE) &&
        grepl("160.0", out, fixed = TRUE) &&
        grepl("108.0", out, fixed = TRUE) &&
        grepl("275.8", out, fixed = TRUE)

  dynamic_test(
    ok,
    "Console output contains expected numeric data from mtcars (cyl and disp columns)",
    sprintf("Expected output to include 6, 4, 8, 160.0, 108.0, 275.8. Actual (first 300 chars): %s",
            substr(out, 1, 300))
  )
}


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

Acquérir une compréhension solide de R, l'un des langages les plus utilisés pour l'analyse de données. Explorer les types de données fondamentaux et les valeurs unidimensionnelles, puis progresser vers des structures multidimensionnelles, y compris les matrices, les trames de données et les listes. Développer les compétences nécessaires pour appliquer R efficacement dans l'analyse statistique et la prise de décision basée sur les données.

Apprenez les bases de la syntaxe R, telles que l'arithmétique, les variables, les fonctions d'affichage et les commentaires. Renforcez votre compréhension de la logique computationnelle grâce à des exercices.

Explorez les types de données en R et comprenez leur rôle dans la gestion des données. Développez des compétences dans la manipulation des vecteurs en tant que structures essentielles pour organiser et analyser l'information.

Développer la capacité à gérer efficacement les données catégorielles. Découvrir comment structurer, regrouper et interpréter les valeurs en convertissant des données brutes en catégories claires.

Comprendre comment représenter et manipuler des données structurées à deux dimensions. Développer la confiance dans la transformation, l'étiquetage et l'application d'opérations sur les matrices pour des tâches analytiques.

Maîtrisez la structure de données la plus utilisée dans R pour les informations tabulaires. Apprenez à organiser, transformer et extraire des informations à partir de jeux de données afin de soutenir des décisions basées sur les données.

Apprenez comment les listes vont au-delà des vecteurs en stockant des éléments de types et de longueurs différents. Développez la capacité à créer, accéder et modifier des listes pour organiser des structures de données complexes.

Accès aux colonnes dans les data frames

Utilisation des crochets

Exemple

Utilisation du signe dollar

Exemple

Solution