
library(testthat)

source("user_code.R")
test_that("creates a histogram of expression", {
  expect_silent(hist(sample_data$expression, main = "Histogram of Gene Expression", xlab = "Expression Level"))
})

test_that("creates a boxplot of expression by treatment", {
  expect_silent(boxplot(expression ~ treatment, data = sample_data, main = "Expression by Treatment", xlab = "Treatment", ylab = "Expression Level"))
})

test_that("creates a scatterplot of expression vs time", {
  expect_silent(plot(sample_data$time, sample_data$expression, main = "Expression Over Time", xlab = "Time (hours)", ylab = "Expression Level", pch = 19, col = "blue"))
})

test_that("histogram_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("histogram_conclusion", envir = env), info = "histogram_conclusion variable does not exist")
  val <- get("histogram_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "histogram_conclusion is an empty string")
})

test_that("boxplot_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("boxplot_conclusion", envir = env), info = "boxplot_conclusion variable does not exist")
  val <- get("boxplot_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "boxplot_conclusion is an empty string")
})

test_that("scatterplot_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("scatterplot_conclusion", envir = env), info = "scatterplot_conclusion variable does not exist")
  val <- get("scatterplot_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "scatterplot_conclusion is an empty string")
})

test_main.R

Une introduction pratique à la programmation R conçue pour les biologistes et les bioinformaticiens. Apprenez à analyser, visualiser et interpréter des données biologiques avec R, à l'aide d'exemples concrets issus de la génomique, de l'écologie et de la biologie expérimentale.

Apprenez les bases de la programmation R avec un accent sur les données biologiques, y compris les variables, les types de données et la manipulation de données de base.

Plongez dans les méthodes statistiques pour analyser des données biologiques, y compris les statistiques descriptives, les tests d'hypothèses et l'interprétation des résultats.

Maîtriser l'art de la visualisation des données biologiques avec R, des graphiques de base aux visualisations avancées pertinentes pour les expériences.

Apprenez à travailler avec des données de type génomique et à développer des flux de travail reproductibles pour la recherche scientifique avec R.

Challenge: Visualisation des données expérimentales

Solution