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)

Транспонування — це операція обміну рядків і стовпців матриці місцями. У R для цього використовується функція `t()`.

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

# Transposed matrix
t(m)

Оригінальна матриця має 2 рядки та 3 стовпці. Після транспонування вона стає 3 рядками та 2 стовпцями.

# =====================================================================
# 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

Отримайте ґрунтовне розуміння R — однієї з найпоширеніших мов для аналізу даних. Вивчайте базові типи даних та одновимірні значення, а потім переходьте до багатовимірних структур, зокрема матриць, датафреймів і списків. Формуйте навички, необхідні для ефективного застосування R у статистичному аналізі та прийнятті рішень на основі даних.

Вивчення основ синтаксису R, таких як арифметика, змінні, функції виведення та коментарі. Поглиблення розуміння обчислювальної логіки за допомогою вправ.

Дослідження типів даних у R та розуміння їхньої ролі в обробці даних. Формування навичок роботи з векторами як основними структурами для організації та аналізу інформації.

Розвиток навичок ефективного керування категоріальними даними. Ознайомлення зі структуризацією, групуванням і тлумаченням значень шляхом перетворення сирих даних у чіткі категорії.

Ознайомлення з представленням і роботою зі структурованими двовимірними даними. Формування впевненості у трансформації, маркуванні та застосуванні операцій до матриць для аналітичних завдань.

Опанування найпоширенішої структури даних у R для табличної інформації. Вивчення організації, трансформації та отримання висновків із наборів даних для підтримки прийняття рішень на основі даних.

Дізнайтеся, як списки виходять за межі векторів, зберігаючи елементи різних типів і довжин. Розвивайте навички створення, доступу та модифікації списків для організації складних структур даних.

Транспонування Матриць

Приклад

Рішення