
library(testthat)

source("user_code.R")
test_that("function returns a list with correct names", {
  expect_true(exists("result"), info = "Result object should exist.")
  expect_true(is.list(result), info = "Result should be a list.")
  expect_true(all(c("subset_matrix", "avg_expression") %in% names(result)), info = "List should contain 'subset_matrix' and 'avg_expression'.")
})

test_that("subset_matrix contains correct genes and samples", {
  expected_genes <- c("GeneA", "GeneC")
  expected_samples <- c("Sample1", "Sample3")
  sm <- result$subset_matrix
  expect_true(is.matrix(sm), info = "subset_matrix should be a matrix.")
  expect_equal(rownames(sm), expected_genes, info = "Rows should match selected genes.")
  expect_equal(colnames(sm), expected_samples, info = "Columns should match selected samples.")
})

test_that("avg_expression is named numeric vector with correct values", {
  expected_genes <- c("GeneA", "GeneC")
  sm <- result$subset_matrix
  expected_avg <- rowMeans(sm)
  avg <- result$avg_expression
  expect_true(is.numeric(avg), info = "avg_expression should be numeric.")
  expect_equal(names(avg), expected_genes, info = "avg_expression should be named by gene.")
  expect_equal(as.numeric(avg), as.numeric(expected_avg), tolerance = 1e-8, info = "Averages should be correct.")
})

test_that("works with single gene selection", {
  single_gene <- c("GeneB")
  sg_result <- subset_gene_expression(expr_matrix, single_gene, sample_names)
  expect_equal(rownames(sg_result$subset_matrix), single_gene, info = "Single gene row name should match.")
  expect_equal(length(sg_result$avg_expression), 1, info = "Should return one average value for single gene.")
})

test_that("works with single sample selection", {
  single_sample <- c("Sample2")
  ss_result <- subset_gene_expression(expr_matrix, gene_names, single_sample)
  expect_equal(colnames(ss_result$subset_matrix), single_sample, info = "Single sample col name should match.")
  expect_equal(length(ss_result$avg_expression), 2, info = "Should return average for each gene (2 genes).")
  expect_equal(as.numeric(ss_result$avg_expression), as.numeric(ss_result$subset_matrix[,1]), tolerance = 1e-8, info = "Average should equal value for single sample.")
})

test_main.R

En praktisk introduktion till R-programmering anpassad för biologer och bioinformatiker. Lär dig att analysera, visualisera och tolka biologiska data med R, med verkliga exempel från genomik, ekologi och experimentell biologi.

Lär dig grunderna i R-programmering med fokus på biologiska data, inklusive variabler, datatyper och grundläggande datamanipulation.

Fördjupa dig i statistiska metoder för att analysera biologiska data, inklusive sammanfattande statistik, hypotesprövning och tolkning av resultat.

Bemästra konsten att visualisera biologiska data med hjälp av R, från grundläggande diagram till mer avancerade visualiseringar relevanta för experiment.

Lär dig att arbeta med genomikliknande data och utveckla reproducerbara arbetsflöden för vetenskaplig forskning i R.

Challenge: Manipulering av Genomiska Data

Lösning