Summary  
This chapter covers how to name and assign values to variables in code, detailing valid naming conventions and the use of the assignment operator.

General domain of usage  
Data analysis

Una **variabile** è una posizione nominata in memoria che contiene un valore. Il nome può quindi essere utilizzato per accedere o modificare tale valore.

Definizione

Le variabili sono fondamentali in R perché consentono di memorizzare valori per un uso successivo, rendendo il codice più semplice da scrivere, leggere e mantenere.

## Regole di denominazione
- Un nome di variabile può includere lettere, numeri, punti (`.`) e underscore (`_`);
- Un nome di variabile può iniziare solo con una lettera o un punto;
- Se un nome di variabile inizia con un punto, il carattere successivo non può essere un numero;
- Un nome di variabile non può coincidere con una parola riservata, come `TRUE`, `FALSE`, `NA`, ecc.

Scegliere nomi significativi che descrivano i dati. Ad esempio, `year` è più descrittivo di `a`. Questo migliora la leggibilità del codice.

Nota

## Sintassi di assegnazione
Per assegnare un valore a una variabile, è possibile utilizzare l'operatore di assegnazione `=`.

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# Проверка:
#   1) cat(initial_money, interest_rate, n_years)
#      должен напечатать "2000 13 4"
# =====================================================================

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

# Ищем user_code.R
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)

# Нормализуем пути
candidates_norm <- vapply(candidates, function(p) {
  tryCatch(normalizePath(p, winslash = "/", mustWork = FALSE), error = function(e) NA_character_)
}, character(1))

exists_flags <- file.exists(candidates_norm)
if (!any(exists_flags)) {
  stop(
    sprintf(
      "user_code.R not found.\nChecked paths:\n  - %s\nWorking dir: %s",
      paste(candidates, collapse = "\n  - "),
      getwd()
    )
  )
}

user_file <- candidates_norm[which(exists_flags)[1]]

# Выполняем user_code.R и перехватываем консольный вывод
res <- run_user_code(
  file       = user_file,
  capture    = c("initial_money", "interest_rate", "n_years"),
  echo       = FALSE,
  print.eval = TRUE
)

out <- trimws(paste(res$logs, collapse = ""))

# ---------- CASE 1: Проверяем значения переменных ----------
{
  ok <- !is.null(res$values$initial_money) &&
        !is.null(res$values$interest_rate) &&
        !is.null(res$values$n_years) &&
        identical(res$values$initial_money, 2000) &&
        identical(res$values$interest_rate, 13) &&
        identical(res$values$n_years, 4)

  dynamic_test(
    ok,
    "Variables initial_money, interest_rate, and n_years have correct values",
    sprintf(
      "Expected: 2000, 13, 4. Got: %s, %s, %s",
      res$values$initial_money, res$values$interest_rate, res$values$n_years
    )
  )
}

# ---------- CASE 2: Проверяем консольный вывод ----------
{
  ok <- grepl("([^0-9]|^)2000([^0-9]+)13([^0-9]+)4([^0-9]|$)", out)
  dynamic_test(
    ok,
    "Console output contains '2000 13 4'",
    sprintf("Expected console output to include '2000 13 4'. 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

Acquisire una solida comprensione di R, uno dei linguaggi più utilizzati per l'analisi dei dati. Esplorare i tipi di dati fondamentali e i valori monodimensionali, per poi passare a strutture multidimensionali, inclusi matrici, data frame e liste. Sviluppare le competenze necessarie per applicare R in modo efficace nell'analisi statistica e nel processo decisionale basato sui dati.

Apprendere le nozioni fondamentali della sintassi di R, come aritmetica, variabili, funzioni di stampa e commenti. Rafforzare la comprensione della logica computazionale attraverso esercizi.

Esplora i tipi di dati in R e comprendi il loro ruolo nella gestione dei dati. Sviluppa competenze nell'utilizzo dei vettori come strutture essenziali per l'organizzazione e l'analisi delle informazioni.

Sviluppo della capacità di gestire efficacemente dati categorici. Scoperta di come strutturare, raggruppare e interpretare i valori convertendo dati grezzi in categorie definite.

Comprendere come rappresentare e gestire dati strutturati bidimensionali. Acquisire sicurezza nella trasformazione, etichettatura e applicazione di operazioni alle matrici per attività analitiche.

Padroneggiare la struttura dati più utilizzata in R per informazioni tabellari. Imparare a organizzare, trasformare ed estrarre informazioni dai dataset per supportare decisioni basate sui dati.

Scopri come le liste si estendono oltre i vettori memorizzando elementi di diversi tipi e lunghezze. Sviluppa la capacità di creare, accedere e modificare le liste per organizzare strutture dati complesse.

Variabili

Regole di denominazione

Sintassi di assegnazione

Esempio

Soluzione

Awesome!

Variabili

Regole di denominazione

Sintassi di assegnazione

Esempio

Soluzione