Summary  
The chapter explains how to use the data.frame() function to combine multiple vectors or lists into a structured table, with each input becoming a column named after its variable.  

General domain of usage  
Data analysis

Funktionen `data.frame()` skapar en data frame från vektorer eller listor. Varje vektor blir en kolumn, och dess variabelnamn används som kolumnnamn.

# Data
name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")

# Create a data frame
test <- data.frame(name, age, gender)
test

Den resulterande dataframen har tre kolumner (`name`, `age` och `gender`), där kolumnnamnen automatiskt tas från variabelnamnen.

# =====================================================================
# 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 вывод
res <- run_user_code(
  file       = user_file,
  capture    = c("prices", "items", "store"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$prices) && is.numeric(res$values$prices) &&
        identical(res$values$prices, c(340, 150, 115, 45, 160))

  dynamic_test(
    ok,
    "Variable 'prices' is declared and has correct numeric values",
    sprintf("Expected prices = c(340,150,115,45,160). Got: %s",
            paste(res$values$prices, collapse = " "))
  )
}

# ---------- CASE 2 ----------
{
  ok <- !is.null(res$values$items) && is.character(res$values$items) &&
        identical(res$values$items,
                  c('Sofa', 'Armchair', 'Dining table', 'Dining chair', 'Bookshelf'))

  dynamic_test(
    ok,
    "Variable 'items' is declared and has correct character values",
    sprintf("Expected items = Sofa, Armchair, Dining table, Dining chair, Bookshelf. Got: %s",
            paste(res$values$items, collapse = ", "))
  )
}

# ---------- CASE 3 ----------
{
  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 be a data.frame."
  )
}

# ---------- CASE 4 ----------
{
  expected_df <- data.frame(
    items = c('Sofa', 'Armchair', 'Dining table', 'Dining chair', 'Bookshelf'),
    prices = c(340, 150, 115, 45, 160)
  )
  ok <- identical(as.character(res$values$store$items), as.character(expected_df$items)) &&
        identical(as.numeric(res$values$store$prices), as.numeric(expected_df$prices))

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

# ---------- CASE 5 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("Sofa", out) && grepl("Armchair", out) &&
        grepl("Dining table", out) && grepl("Dining chair", out) &&
        grepl("Bookshelf", out) &&
        grepl("340", out) && grepl("150", out) &&
        grepl("115", out) && grepl("45", out) && grepl("160", out)

  dynamic_test(
    ok,
    "Console output contains all expected item names and prices",
    sprintf("Expected output to include item names and numeric prices. 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 gedigen förståelse för R, ett av de mest använda språken för dataanalys. Utforska grundläggande datatyper och endimensionella värden, och gå sedan vidare till flerdimensionella strukturer, inklusive matriser, data frames och listor. Bygg de färdigheter som krävs för att använda R effektivt inom statistisk analys och datadrivna beslutsprocesser.

Lär dig grunderna i R-syntax, såsom aritmetik, variabler, utskriftsfunktioner och kommentarer. Fördjupa förståelsen av beräkningslogik genom övningar.

Utforska R:s datatyper och förstå deras roll i datahantering. Utveckla färdigheter i att arbeta med vektorer som grundläggande strukturer för att organisera och analysera information.

Utveckla förmågan att hantera kategoriska data effektivt. Upptäck hur man strukturerar, grupperar och tolkar värden genom att omvandla rådata till tydliga kategorier.

Förstå hur man representerar och arbetar med strukturerad tvådimensionell data. Bygg upp säkerhet i att transformera, märka och tillämpa operationer på matriser för analytiska uppgifter.

Behärska den mest använda datastrukturen i R för tabellinformation. Lär dig att organisera, transformera och extrahera insikter från dataset för att stödja datadrivna beslut.

Lär dig hur listor går utöver vektorer genom att lagra element av olika typer och längder. Utveckla förmågan att skapa, komma åt och modifiera listor för att organisera komplexa datastrukturer.

Data.frame()-Funktionen

Exempel

Lösning