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

Rの行列は、単一の数値との算術演算や、値を集計する組み込み関数の両方をサポート。

## スカラー演算
単一の数値による算術演算は、行列内のすべての要素に適用。

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

# Multiply every element by 3
m * 3

## 集約関数
`sum()` や `mean()` などの関数は、行列全体の合計や平均を計算。

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

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

## 行および列の関数
これらの関数は、`rowSums()`、`rowMeans()`、`colSums()`、`colMeans()` を使用して、行または列ごとに個別に適用可能。

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

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

これらの関数は、行列データを次元ごとに分析するのに便利。

# =====================================================================
# 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

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。

行列の演算

スカラー演算

例

集約関数

例

行および列の関数

例

解答