Summary  
This chapter explains how to convert continuous numeric vectors into categorical factors by defining interval breaks and labels using the cut() function, with options to specify boundary inclusion and ordering.

General domain of usage  
Data analysis

Continuous numeric data can be transformed into categories using the `cut()` function. This is helpful when you want to analyze ranges rather than individual values.

## Function Overview
The `cut()` function divides numbers into intervals and returns a factor:

```r
cut(x, breaks, labels = NULL, right = TRUE, ordered_result = FALSE)
```

- `x`: numeric vector to categorize;
- `breaks`: number of intervals or specific cut points;
- `labels`: names for categories;
- `right`: whether intervals are closed on the right;
- `ordered_result`: whether the categories should be ordered.

heights <- c(170, 165, 195, 172, 189, 156, 178, 198,
             157, 182, 171, 184, 163, 176, 169, 153)

# Split heights into 3 groups
heights_f <- cut(heights,
                 breaks = c(0, 160, 190, 250),
                 labels = c('short', 'medium', 'tall'),
                 ordered_result = TRUE)

heights_f

As a result:
- The data is divided into three intervals: `(0,160]`, `(160,190]`, and `(190,250]`;
- They are labeled as `'short'`, `'medium'`, and `'tall'`;
- The categories follow a natural order.

# =====================================================================
# 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("grades", "grades_f"),
  echo       = FALSE,
  print.eval = TRUE
)

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

  dynamic_test(
    ok,
    "Variable 'grades' is declared and numeric",
    "Expected variable 'grades' to exist and be numeric."
  )
}

# ---------- CASE 2 ----------
{
  ok <- !is.null(res$values$grades_f) &&
        is.factor(res$values$grades_f) &&
        is.ordered(res$values$grades_f)

  dynamic_test(
    ok,
    "Variable 'grades_f' is declared and ordered factor type",
    "Expected variable 'grades_f' to exist and be an ordered factor."
  )
}

# ---------- CASE 3 ----------
{
  expected_levels <- c('F', 'D', 'C', 'B', 'A')
  ok <- identical(levels(res$values$grades_f), expected_levels)

  dynamic_test(
    ok,
    "Factor 'grades_f' has correct ordered levels (F < D < C < B < A)",
    sprintf("Expected levels: %s. Got: %s",
            paste(expected_levels, collapse = ", "),
            paste(levels(res$values$grades_f), collapse = ", "))
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("F", out) && grepl("D", out) && grepl("C", out) &&
        grepl("B", out) && grepl("A", out) && grepl("Levels", out)

  dynamic_test(
    ok,
    "Console output contains factor letters and 'Levels'",
    sprintf("Expected console output to include grades (F, D, C, B, A) and 'Levels'. 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

This focused module covers the essential data structures in R for beginners: vectors, lists, data frames, and matrices. Learners will practice creating, accessing, and manipulating these structures to build a strong foundation for data analysis tasks in R.

Grouping Numeric Data

Function Overview

Example

解答