
library(testthat)

source("user_code.R")
test_that("creates a histogram of expression", {
  expect_silent(hist(sample_data$expression, main = "Histogram of Gene Expression", xlab = "Expression Level"))
})

test_that("creates a boxplot of expression by treatment", {
  expect_silent(boxplot(expression ~ treatment, data = sample_data, main = "Expression by Treatment", xlab = "Treatment", ylab = "Expression Level"))
})

test_that("creates a scatterplot of expression vs time", {
  expect_silent(plot(sample_data$time, sample_data$expression, main = "Expression Over Time", xlab = "Time (hours)", ylab = "Expression Level", pch = 19, col = "blue"))
})

test_that("histogram_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("histogram_conclusion", envir = env), info = "histogram_conclusion variable does not exist")
  val <- get("histogram_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "histogram_conclusion is an empty string")
})

test_that("boxplot_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("boxplot_conclusion", envir = env), info = "boxplot_conclusion variable does not exist")
  val <- get("boxplot_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "boxplot_conclusion is an empty string")
})

test_that("scatterplot_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("scatterplot_conclusion", envir = env), info = "scatterplot_conclusion variable does not exist")
  val <- get("scatterplot_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "scatterplot_conclusion is an empty string")
})

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: Visualisering av Experimentella Data

Lösning