Summary  
This chapter introduces techniques for extracting structured information from raw data sources by parsing and mapping relevant fields.

General domain of usage  
Retail sales analytics

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Виконуємо user_code.R в ізольованому середовищі
#  2) Перевіряємо створення змінних, розрахунки і вивід
# =====================================================================

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

# Знаходимо user_code.R
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)
user_file <- candidates[file.exists(candidates)][1]
if (is.na(user_file)) stop("user_code.R not found")

# Виконуємо код і фіксуємо вивід
res <- run_user_code(
  file       = user_file,
  capture    = c("store", "items_sold", "total_revenue"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$store) && is.data.frame(res$values$store)

  dynamic_test(
    ok,
    "Variable 'store' is declared and is a data.frame",
    "Expected 'store' to exist and be a data.frame."
  )
}

# ---------- CASE 2 ----------
{
  ok <- "Revenue" %in% colnames(res$values$store)

  dynamic_test(
    ok,
    "Column 'Revenue' successfully added to data frame",
    "Expected 'Revenue' column to be present in 'store'."
  )
}

# ---------- CASE 3 ----------
{
  expected_revenue <- res$values$store$Sold * res$values$store$Price
  ok <- identical(as.numeric(res$values$store$Revenue), as.numeric(expected_revenue))

  dynamic_test(
    ok,
    "Column 'Revenue' values are correct (Price * Sold)",
    sprintf("Expected Revenue = Sold * Price. Got: %s",
            paste(utils::capture.output(dput(res$values$store$Revenue)), collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  ok <- !is.null(res$values$items_sold) && res$values$items_sold == 336

  dynamic_test(
    ok,
    "Variable 'items_sold' has correct total value (336)",
    sprintf("Expected items_sold = 336. Got: %s", res$values$items_sold)
  )
}

# ---------- CASE 5 ----------
{
  ok <- !is.null(res$values$total_revenue) && res$values$total_revenue == 55425

  dynamic_test(
    ok,
    "Variable 'total_revenue' has correct total value (55425)",
    sprintf("Expected total_revenue = 55425. Got: %s", res$values$total_revenue)
  )
}

# ---------- CASE 6 ----------
{
  avg_price <- res$values$total_revenue / res$values$items_sold
  ok <- round(avg_price, 4) == 164.9554

  dynamic_test(
    ok,
    "Average price of sold item is correct (~164.9554)",
    sprintf("Expected average price ~164.9554. Got: %s", avg_price)
  )
}

# ---------- CASE 7 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("336", out) && grepl("55425", out) &&
        (grepl("164.9", out) || grepl("164", out))

  dynamic_test(
    ok,
    "Console output contains total items sold, total revenue, and average price",
    sprintf("Expected output to include 336, 55425, and ~164.9. 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

Gain a solid understanding of R, one of the most widely used languages for data analysis. Explore fundamental data types and one-dimensional values, then advance to multi-dimensional structures, including matrices, data frames, and lists. Build the skills needed to apply R effectively in statistical analysis and data-driven decision-making.

Learn the essentials of R syntax, such as arithmetic, variables, printing functions, and comments. Strengthen your understanding of computational logic through exercises.

Explore R's data types and understand their role in data handling. Build skills in working with vectors as essential structures for organizing and analyzing information.

Develop the ability to manage categorical data effectively. Discover how to structure, group, and interpret values by converting raw data into clear categories.

Understand how to represent and work with structured two-dimensional data. Build confidence in transforming, labeling, and applying operations to matrices for analytical tasks.

Master the most widely used data structure in R for tabular information. Learn to organize, transform, and extract insights from datasets to support data-driven decisions.

Learn how lists extend beyond vectors by storing elements of different types and lengths. Develop the ability to create, access, and modify lists for organizing complex data structures.

Item	Price	Sold
Sofa	340	67
Armchair	150	81
Dining table	115	79
Bookshelf	160	42
Kitchen cabinet	70	67

Challenge: Store Revenue Analysis

解答