Summary
This chapter explains how to perform matrix transposition—swapping rows and columns—using a built-in transpose function.

General domain of usage
Scientific computing (e.g., linear algebra operations)

Transponering er operasjonen der rader og kolonner bytter plass i en matrise. I R gjøres dette med funksjonen `t()`.

# Initial matrix
m <- matrix(1:6, nrow = 2)
m

# Transposed matrix
t(m)

Den opprinnelige matrisen har 2 rader og 3 kolonner. Etter transponering blir det 3 rader og 2 kolonner.

# =====================================================================
# 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("num", "m"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$num) &&
        is.numeric(res$values$num) &&
        identical(res$values$num, seq(2, 16, 2))

  dynamic_test(
    ok,
    "Variable 'num' is declared correctly as seq(2, 16, 2)",
    sprintf("Expected num = seq(2, 16, 2). Got: %s",
            paste(utils::capture.output(dput(res$values$num)), collapse = " "))
  )
}

# ---------- CASE 2 ----------
{
  ok <- !is.null(res$values$m) &&
        is.matrix(res$values$m) &&
        all(res$values$m[1, ] == c(2, 4, 6, 8)) &&
        all(res$values$m[2, ] == c(10, 12, 14, 16))

  dynamic_test(
    ok,
    "Matrix 'm' is built correctly with two rows and four columns",
    "Expected rows: [2 4 6 8] and [10 12 14 16]"
  )
}

# ---------- CASE 3 ----------
{
  t_m <- t(res$values$m)
  ok <- all(t_m[, 1] == c(2, 4, 6, 8)) && all(t_m[, 2] == c(10, 12, 14, 16))

  dynamic_test(
    ok,
    "t(m) transposes the matrix correctly",
    "Expected first column = [2 4 6 8], second column = [10 12 14 16]"
  )
}

# ---------- CASE 4 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("2", out) && grepl("4", out) && grepl("6", out) &&
        grepl("8", out) && grepl("10", out) && grepl("12", out) &&
        grepl("14", out) && grepl("16", out)

  dynamic_test(
    ok,
    "Console output contains all values of transposed matrix (2,4,6,8,10,12,14,16)",
    sprintf("Expected output to include transposed values 2–16 step 2. 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

Få en solid forståelse av R, et av de mest brukte språkene for dataanalyse. Utforsk grunnleggende datatyper og endimensjonale verdier, og gå deretter videre til flerdimensjonale strukturer, inkludert matriser, data frames og lister. Bygg ferdighetene som trengs for å bruke R effektivt i statistisk analyse og datadrevne beslutningsprosesser.

Lær det grunnleggende om R-syntaks, som aritmetikk, variabler, utskriftsfunksjoner og kommentarer. Styrk forståelsen av beregningslogikk gjennom øvelser.

Utforsk R sine datatyper og forstå deres rolle i datahåndtering. Bygg ferdigheter i å arbeide med vektorer som essensielle strukturer for organisering og analyse av informasjon.

Utvikle evnen til å håndtere kategoriske data effektivt. Lær hvordan du kan strukturere, gruppere og tolke verdier ved å konvertere rådata til tydelige kategorier.

Forstå hvordan man representerer og arbeider med strukturert todimensjonale data. Bygg selvtillit i å transformere, merke og anvende operasjoner på matriser for analytiske oppgaver.

Bli ekspert på den mest brukte datastrukturen i R for tabellarisk informasjon. Lær å organisere, transformere og hente innsikt fra datasett for å støtte datadrevne beslutninger.

Lær hvordan lister går utover vektorer ved å lagre elementer av ulike typer og lengder. Utvikle ferdigheter i å opprette, få tilgang til og endre lister for å organisere komplekse datastrukturer.

Transponering av matriser

Eksempel

Løsning