Summary  
This chapter covers how to manipulate data frame columns by adding new columns via assignment, removing columns using negative selection, and renaming columns with a column-names function.  

General domain of usage  
Data wrangling

データフレームは柔軟性が高く、必要に応じて**列の追加**、**削除**、**名前の変更**が可能。

## 列の追加
新しい列を追加するには、値のベクトルを新しい列名に代入。ドル記号（`$`）または引用符付きの角括弧を使用可能。

name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")
test <- data.frame(name, age, gender)

# Adding a new column with job titles
test$job <- c("Teacher", "Doctor", "Manager")
test

同じことを次のように行うことも可能：
```r
test[, "Job"] <- c("Teacher", "Doctor", "Manager")
```

追加するベクトルの長さは、データフレームの行数と一致している必要があります。

注意

## 列の削除
1つまたは複数の列を削除するには、`subset()` 関数と `select = -...` 引数を使用。

name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")
test <- data.frame(name, age, gender)
test$job <- c('Teacher', 'Doctor', 'Manager')

# Drop a single column
subset(test, select = -job)
# Drop multiple columns
subset(test, select = -c(age, gender))

列名を変更するには、`colnames()` 関数を使用。
構文は行列の場合と同じ：
```r
colnames(data) <- new_names
```

# =====================================================================
# СКРЫТЫЕ ТЕСТЫ ДЛЯ user_code.R
#
# КАК МЫ РАБОТАЕМ:
#  1) Виконуємо user_code.R в окремому середовищі
#  2) Перевіряємо об'єкти 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 user_code.R і перехоплюємо вивід
res <- run_user_code(
  file       = user_file,
  capture    = c("store"),
  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 ----------
{
  expected_cols <- c("Item", "Price", "Sold")
  ok <- identical(colnames(res$values$store), expected_cols)

  dynamic_test(
    ok,
    "Data frame 'store' has correct column names (Item, Price, Sold)",
    sprintf("Expected column names: %s. Got: %s",
            paste(expected_cols, collapse = ", "),
            paste(colnames(res$values$store), collapse = ", "))
  )
}

# ---------- CASE 3 ----------
{
  expected_data <- data.frame(
    Item = c('Sofa', 'Armchair', 'Dining table', 'Dining chair', 'Bookshelf'),
    Price = c(340, 150, 115, 45, 160),
    Sold = c(67, 81, 79, 76, 42)
  )

  ok <- identical(as.character(res$values$store$Item), as.character(expected_data$Item)) &&
        identical(as.numeric(res$values$store$Price), as.numeric(expected_data$Price)) &&
        identical(as.numeric(res$values$store$Sold), as.numeric(expected_data$Sold))

  dynamic_test(
    ok,
    "Data frame 'store' contains correct data in all columns",
    sprintf("Expected rows to match defined values. Got:\n%s",
            paste(utils::capture.output(dput(res$values$store)), collapse = " "))
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("Item", out) && grepl("Price", out) && grepl("Sold", out) &&
        grepl("Sofa", out) && grepl("Armchair", out) &&
        grepl("340", out) && grepl("150", out) &&
        grepl("79", out) && grepl("76", out) && grepl("42", out)

  dynamic_test(
    ok,
    "Console output contains all expected column names and numeric values",
    sprintf("Expected console output to include Item, Price, Sold, and numbers 340,150,79,76,42. 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について、確かな理解を身につけます。基本的なデータ型や一次元の値を学び、次に行列、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習得します。

算術演算、変数、出力関数、コメントなど、Rの構文の基本を学びます。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てるようになります。

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し、変換し、洞察を抽出して、データ駆動型の意思決定を支援します。

リストがベクトルを超えて、異なる型や長さの要素を格納できることを学びます。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。

列の操作

列の追加

例

列の削除

例

列名の変更

解答

Item	Price	Sold
Sofa	340	67
Armchair	150	81
Dining table	115	79
Dining chair	45	76
Bookshelf	160	42