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

Data frames are flexible: you can **add**, **remove**, and **rename** columns as needed.

## Adding Columns
To add a new column, assign a vector of values to a new column name. You can use either the dollar (`$`) sign or square brackets with quotes.

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

You could also do the same with:
```r
test[, "Job"] <- c("Teacher", "Doctor", "Manager")
```

The length of the vector you add must match the number of rows in the data frame.

Note

## Deleting Columns
To remove one or more columns, use the `subset()` function with the `select = -...` argument.

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))

To rename columns, use the `colnames()` function.  The syntax is the same as with matrices:
```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

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.

Manipulating Columns

Adding Columns

Example

Deleting Columns

Example

Renaming Columns

解答

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