Summary  
Data frames are two-dimensional data structures with named columns that can hold mixed data types, and R provides built-in datasets stored as data frames or matrices for convenient access.

General domain of usage  
Data analysis

Un **data frame** est une structure de données **bidimensionnelle** similaire à une matrice, mais avec une différence essentielle : un data frame peut contenir différents types de données dans ses colonnes.

Définition

## Propriétés principales
- Comme les matrices, chaque élément d’un data frame se trouve à l’intersection d’une ligne et d’une colonne ;
- Contrairement aux matrices, les colonnes d’un data frame doivent toujours avoir des noms ;
- Les data frames sont couramment utilisés pour stocker des ensembles de données dans R, où différentes colonnes représentent des variables de types différents.

## Jeux de données intégrés
R propose de nombreux jeux de données intégrés, certains stockés sous forme de matrices (données uniquement numériques) et d’autres sous forme de data frames (types de données mixtes).

# =====================================================================
# ОПТИМІЗОВАНИЙ ВАРІАНТ ТЕСТІВ ДЛЯ mtcars
# =====================================================================

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 user_code.R з обмеженим capture
logs_full <- utils::capture.output(source(user_file, echo = FALSE, print.eval = TRUE))
out <- trimws(substr(paste(logs_full, collapse = " "), 1, 3000))  # обмеження довжини

# ---------- CASE 1 ----------
{
  ok <- grepl("data.frame", out, fixed = TRUE)

  dynamic_test(
    ok,
    "Console output includes 'data.frame' class info",
    sprintf("Expected output to contain 'data.frame'. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 2 ----------
{
  ok <- all(sapply(c("mpg","cyl","disp","hp","drat","wt","qsec"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains main column names of mtcars",
    sprintf("Expected column names mpg,cyl,disp,hp,drat,wt,qsec. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 3 ----------
{
  ok <- all(sapply(c("Mazda RX4","Datsun 710","Hornet 4 Drive"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains example row names (Mazda RX4, Datsun 710, Hornet 4 Drive)",
    sprintf("Expected row names present. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 4 ----------
{
  ok <- all(sapply(c("21.0","160.0","3.90"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains numeric data from mtcars",
    sprintf("Expected values 21.0, 160.0, 3.90. Actual (first chars): %s", substr(out, 1, 200))
  )
}


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 data frames et les listes. Développer les compétences nécessaires pour appliquer R efficacement dans l’analyse statistique et la prise de décision basée sur les données.

Découvrez les éléments essentiels de la syntaxe R, tels que l'arithmétique, les variables, les fonctions d'affichage et les commentaires. Renforcez votre compréhension de la logique computationnelle grâce à des exercices.

Découvrez les types de données en R et comprenez leur rôle dans la gestion des données. Développez des compétences dans l'utilisation 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 bidimensionnelles. Acquérir de l'assurance dans la transformation, l'étiquetage et l'application d'opérations sur des matrices pour des tâches analytiques.

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

Découvrez comment les listes vont au-delà des vecteurs en stockant des éléments de types et de longueurs différents. Acquisition des compétences pour créer, accéder et modifier des listes afin d'organiser des structures de données complexes.

Compréhension des Data Frames

Propriétés principales

Jeux de données intégrés

Solution

Awesome!

Compréhension des Data Frames

Propriétés principales

Jeux de données intégrés

Solution