Summary  
This chapter covers performing element-wise arithmetic on matrices, using aggregate functions to compute overall summaries (like sum and mean), and applying row- and column-wise summary functions.

General domain of usage  
Data analysis

Le matrici in R supportano operazioni aritmetiche, sia con numeri singoli che con funzioni integrate che ne riassumono i valori.

## Operazioni scalari
L'applicazione di un'operazione aritmetica con un singolo numero coinvolge ogni elemento della matrice.

m <- matrix(1:9, nrow = 3, byrow = TRUE)

# Multiply every element by 3
m * 3

## Funzioni di aggregazione
Funzioni come `sum()` e `mean()` calcolano totali o medie sull'intera matrice.

m <- matrix(1:9, nrow = 3, byrow = TRUE)

# Overall mean of all elements
mean(m)
# Overall sum of all elements
sum(m)

## Funzioni per righe e colonne
È possibile applicare queste funzioni anche separatamente alle righe o alle colonne con `rowSums()`, `rowMeans()`, `colSums()` e `colMeans()`.

m <- matrix(1:9, nrow = 3, byrow = TRUE)

# Column sums
colSums(m)
# Row means
rowMeans(m)

Queste funzioni facilitano l'analisi dei dati di una matrice per dimensione.

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Один раз выполняем пользовательский файл в отдельном окружении
#     через run_user_code(...). Получаем:
#       - res$values$...  — переменные из окружения
#       - res$logs        — весь печатный вывод (включая результаты выражений)
#  2) Каждый кейс — отдельный dynamic_test(...), то есть отдельная строка
#     в отчёте, с «говорящим» названием (успех/ошибка).
# =====================================================================

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")
)

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("m"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$m) && is.matrix(res$values$m)

  dynamic_test(
    ok,
    "Matrix 'm' is declared and is a matrix",
    "Expected 'm' to exist and be a matrix."
  )
}

# ---------- CASE 2 ----------
{
  expected_m <- matrix(c(2,3,4,5,6,7,8,9), nrow = 2, byrow = TRUE)
  ok <- all(res$values$m == expected_m)

  dynamic_test(
    ok,
    "Matrix 'm' values are correct after operation m <- m/2 + 1",
    sprintf("Expected matrix: %s. Got: %s",
            paste(expected_m, collapse = " "),
            paste(res$values$m, collapse = " "))
  )
}

# ---------- CASE 3 ----------
{
  col_total <- colSums(res$values$m)
  expected_colsums <- c(8,10,12,14)
  ok <- identical(as.numeric(col_total), expected_colsums)

  dynamic_test(
    ok,
    "colSums(m) returns correct column totals (8, 10, 12, 14)",
    sprintf("Expected colSums = c(8,10,12,14). Got: %s",
            paste(col_total, collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  m_mean <- mean(res$values$m)
  ok <- identical(m_mean, 5.5)

  dynamic_test(
    ok,
    "mean(m) returns correct overall mean (5.5)",
    sprintf("Expected mean(m) = 5.5. Got: %s", m_mean)
  )
}

# ---------- CASE 5 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("2", out) && grepl("3", out) && grepl("4", out) &&
        grepl("5", out) && grepl("6", out) && grepl("7", out) &&
        grepl("8", out) && grepl("9", out) &&
        grepl("10", out) && grepl("12", out) &&
        grepl("14", out) && grepl("5.5", out)

  dynamic_test(
    ok,
    "Console output contains all expected matrix values, column sums, and mean",
    sprintf("Expected output to include numbers 2–9, 8–14, and 5.5. 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

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

Impara le nozioni fondamentali della sintassi di R, come aritmetica, variabili, funzioni di stampa e commenti. Rafforza 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 nel lavoro con i vettori come strutture essenziali per organizzare e analizzare le informazioni.

Sviluppa la capacità di gestire efficacemente i dati categorici. Scopri come strutturare, raggruppare e interpretare i valori convertendo i dati grezzi in categorie chiare.

Comprendere come rappresentare e lavorare con 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 tipi e lunghezze differenti. Sviluppa la capacità di creare, accedere e modificare liste per organizzare strutture dati complesse.

Operazioni con le Matrici

Operazioni scalari

Esempio

Funzioni di aggregazione

Esempio

Funzioni per righe e colonne

Esempio

Soluzione