Summary  
Data frames are two-dimensional data structures with named columns that can hold mixed data types, and R provides built-in datasets stored as data frames or matrices for convenient access.

General domain of usage  
Data analysis

Een **data frame** is een **tweedimensionale** datastructuur die lijkt op een matrix, maar met één belangrijk verschil: een data frame kan verschillende gegevenstypen in zijn kolommen opslaan.

Definitie

## Belangrijkste eigenschappen
- Net als bij matrices bevindt elk element in een data frame zich op het snijpunt van een rij en een kolom;
- In tegenstelling tot matrices moeten kolommen in een data frame altijd namen hebben;
- Data frames worden vaak gebruikt voor het opslaan van datasets in R, waarbij verschillende kolommen variabelen van verschillende typen voorstellen.

## Ingebouwde datasets
R biedt veel ingebouwde datasets, waarvan sommige zijn opgeslagen als matrices (alleen numerieke gegevens) en andere als data frames (gemengde gegevenstypen).

# =====================================================================
# ОПТИМІЗОВАНИЙ ВАРІАНТ ТЕСТІВ ДЛЯ mtcars
# =====================================================================

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

# Пошук 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")

# Виконання user_code.R з обмеженим capture
logs_full <- utils::capture.output(source(user_file, echo = FALSE, print.eval = TRUE))
out <- trimws(substr(paste(logs_full, collapse = " "), 1, 3000))  # обмеження довжини

# ---------- CASE 1 ----------
{
  ok <- grepl("data.frame", out, fixed = TRUE)

  dynamic_test(
    ok,
    "Console output includes 'data.frame' class info",
    sprintf("Expected output to contain 'data.frame'. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 2 ----------
{
  ok <- all(sapply(c("mpg","cyl","disp","hp","drat","wt","qsec"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains main column names of mtcars",
    sprintf("Expected column names mpg,cyl,disp,hp,drat,wt,qsec. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 3 ----------
{
  ok <- all(sapply(c("Mazda RX4","Datsun 710","Hornet 4 Drive"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains example row names (Mazda RX4, Datsun 710, Hornet 4 Drive)",
    sprintf("Expected row names present. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 4 ----------
{
  ok <- all(sapply(c("21.0","160.0","3.90"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains numeric data from mtcars",
    sprintf("Expected values 21.0, 160.0, 3.90. Actual (first chars): %s", substr(out, 1, 200))
  )
}


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

Verkrijg een grondig begrip van R, een van de meest gebruikte talen voor data-analyse. Verken fundamentele datatypes en eendimensionale waarden, en ga vervolgens verder naar multidimensionale structuren, waaronder matrices, dataframes en lijsten. Bouw de vaardigheden op die nodig zijn om R effectief toe te passen in statistische analyse en datagedreven besluitvorming.

Leer de basisprincipes van R-syntaxis, zoals rekenkundige bewerkingen, variabelen, printfuncties en opmerkingen. Versterk uw begrip van computationele logica door middel van oefeningen.

Verken de gegevenstypen van R en begrijp hun rol bij gegevensverwerking. Ontwikkel vaardigheden in het werken met vectoren als essentiële structuren voor het organiseren en analyseren van informatie.

Ontwikkel het vermogen om categorische gegevens effectief te beheren. Ontdek hoe u waarden kunt structureren, groeperen en interpreteren door ruwe gegevens om te zetten in duidelijke categorieën.

Begrijpen hoe gestructureerde tweedimensionale gegevens kunnen worden weergegeven en gebruikt. Vertrouwen opbouwen in het transformeren, labelen en toepassen van bewerkingen op matrices voor analytische taken.

Beheers de meest gebruikte datastructuur in R voor tabelvormige informatie. Leer datasets organiseren, transformeren en inzichten extraheren ter ondersteuning van datagedreven besluitvorming.

Leer hoe lijsten verder gaan dan vectoren door elementen van verschillende types en lengtes op te slaan. Ontwikkel het vermogen om lijsten te maken, te benaderen en te wijzigen voor het organiseren van complexe datastructuren.

Inzicht in Dataframes

Belangrijkste eigenschappen

Ingebouwde datasets

Oplossing