Summary  
This chapter describes how to assign names to individual vector elements using the names() function, enabling each value to be identified by a descriptive label.

General domain of usage  
data analysis

Rのベクトルには、それぞれの値に名前（ラベル）を付けることができます。これにより、特に値が科目、製品、月などのカテゴリを表す場合、データの解釈が容易になります。

## ラベルの割り当て
ベクトルにラベルを付けるには、名前のベクトルを別途作成し、`names()`関数を使って元のベクトルに割り当てます。各ラベルは、位置によって対応する要素に割り当てられます。

### 例
いくつかの科目の成績があるとします:

# Create a vector of grades
grades <- c(80, 75, 95, 100)
# Assign names to the grades
names(grades) <- c('Math', 'Physics', 'English', 'Literature')
# Display the labeled vector
grades

出力は各科目に対応する成績を表示し、結果がより分かりやすくなります。

# =====================================================================
# 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 в двух вариантах:
#  1) в корне проекта:        ../../user_code.R  (относительно tests/testthat)
#  2) рядом с тестами:        user_code.R        (внутри tests/testthat)
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)

# Нормализуем пути, оставляем существующие
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]]  # первый найденный

# Выполняем user_code.R один раз, извлекаем переменные и перехватываем вывод
res <- run_user_code(
  file       = user_file,
  capture    = c("prices", "items"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$items) &&
        identical(res$values$items,
                  c("Sofa", "Armchair", "Dining table", "Dining chair", "Bookshelf"))

  dynamic_test(
    ok,
    "Variable 'items' is declared and has correct values",
    sprintf("Expected items = c('Sofa','Armchair','Dining table','Dining chair','Bookshelf'). Got: %s",
            paste(utils::capture.output(dput(res$values$items)), collapse = " "))
  )
}

# ---------- CASE 2 ----------
{
  p <- res$values$prices
  ok <- !is.null(p) &&
        is.numeric(p) &&
        identical(unname(p), c(340, 150, 115, 45, 160))

  dynamic_test(
    ok,
    "Variable 'prices' is declared and has correct numeric values",
    sprintf("Expected prices = c(340,150,115,45,160). Got: %s",
            paste(utils::capture.output(dput(p)), collapse = " "))
  )
}

# ---------- CASE 3 ----------
{
  p <- res$values$prices
  ok <- !is.null(p) && !is.null(names(p)) &&
        identical(names(p),
                  c("Sofa", "Armchair", "Dining table", "Dining chair", "Bookshelf"))

  dynamic_test(
    ok,
    "Names(prices) match 'items'",
    sprintf("Expected names(prices) to equal items. Got: %s",
            paste(utils::capture.output(dput(names(p))), collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("Sofa.*Armchair.*Dining table.*Dining chair.*Bookshelf.*340.*150.*115.*45.*160", out)

  dynamic_test(
    ok,
    "Console output contains named prices vector",
    sprintf("Expected console output to include names then values in order. 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

データ分析で最も広く使用されている言語の一つであるRの基礎をしっかりと理解します。基本的なデータ型や一次元の値を学び、さらに行列、データフレーム、リストなどの多次元構造へと進みます。統計解析やデータ駆動型の意思決定にRを効果的に活用するためのスキルを身につけます。

算術演算、変数、出力関数、コメントなど、Rの構文の基本を学習します。演習を通じて計算論理の理解を深めます。

Rのデータ型を探求し、データ処理におけるその役割を理解します。情報の整理と分析に不可欠な構造としてベクトルを扱うスキルを身につけます。

カテゴリカルデータを効果的に管理する能力を身につけます。生データを明確なカテゴリに変換することで、値を構造化し、グループ化し、解釈する方法を学びます。

構造化された二次元データを表現し、操作する方法を理解します。分析作業のために、行列の変換、ラベリング、演算の適用に自信を持って取り組めるようになります。

Rで最も広く使用されている表形式データ構造を習得します。データセットを整理、変換し、データ駆動型の意思決定を支援するための洞察を抽出する方法を学びます。

リストが異なる型や長さの要素を格納することでベクトルを超えて拡張される方法について学びます。複雑なデータ構造を整理するために、リストの作成、アクセス、変更の能力を身につけます。

Item	Price
Sofa	$340
Armchair	$150
Dining table	$115
Dining chair	$45
Bookshelf	$160

ベクトル要素のラベリング

ラベルの割り当て

例

ベクトル要素のラベリング

ラベルの割り当て

例

解答