Summary  
This chapter covers how to create matrices by binding vectors as rows or as columns using rbind() and cbind() functions.  

General domain of usage  
Data analysis

A **matrix** is a **two-dimensional** data structure where each element is identified by its row and column position, and elements must be of the **same data type**.

Definition

In R, matrices can be created in different ways. The most common are by merging vectors as rows or by merging them as columns.

## Creating Matrix from Rows
You can create a matrix by combining vectors as rows with `rbind()` function.

row_1 = c(1, 2, 3)
row_2 = c(4, 5, 6)

# Bind rows into a matrix
rbind(row_1, row_2)

This produces a matrix with **two rows** and **three columns**.

## Creating Matrix from Columns
Alternatively, you can create a matrix by combining vectors as columns with `cbind()` function.

col_1 = c(1, 2, 3)
col_2 = c(4, 5, 6)

# Bind columns into a matrix
cbind(col_1, col_2)

This produces a matrix with **three rows** and **two columns**.

# =====================================================================
# 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("a", "b"),
  echo       = FALSE,
  print.eval = TRUE
)

# ---------- CASE 1 ----------
{
  ok <- !is.null(res$values$a) && !is.null(res$values$b) &&
        identical(res$values$a, 1:4) && identical(res$values$b, 5:8)

  dynamic_test(
    ok,
    "Variables 'a' and 'b' are declared correctly (1:4 and 5:8)",
    sprintf("Expected a = 1:4 and b = 5:8. Got: a=%s, b=%s",
            paste(res$values$a, collapse = ","), paste(res$values$b, collapse = ",")))
}

# ---------- CASE 2 ----------
{
  out <- trimws(paste(res$logs, collapse = " "))
  ok <- grepl("a", out) && grepl("b", out) &&
        grepl("1", out) && grepl("2", out) && grepl("3", out) && grepl("4", out) &&
        grepl("5", out) && grepl("6", out) && grepl("7", out) && grepl("8", out)

  dynamic_test(
    ok,
    "Console output contains combined results of rbind(a,b) and cbind(a,b)",
    sprintf("Expected console output to include both row- and column-bound results. Actual: %s", out)
  )
}

# ---------- CASE 3 ----------
{
  # Перевіряємо логічно правильність rbind
  r_test <- rbind(res$values$a, res$values$b)
  ok <- all(r_test[1, ] == 1:4) && all(r_test[2, ] == 5:8)

  dynamic_test(
    ok,
    "rbind(a,b) combines vectors as rows correctly",
    "Expected first row = 1:4, second row = 5:8"
  )
}

# ---------- CASE 4 ----------
{
  # Перевіряємо логічно правильність cbind
  c_test <- cbind(res$values$a, res$values$b)
  ok <- all(c_test[, 1] == 1:4) && all(c_test[, 2] == 5:8)

  dynamic_test(
    ok,
    "cbind(a,b) combines vectors as columns correctly",
    "Expected first column = 1:4, second column = 5:8"
  )
}


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

Gain a solid understanding of R, one of the most widely used languages for data analysis. Explore fundamental data types and one-dimensional values, then advance to multi-dimensional structures, including matrices, data frames, and lists. Build the skills needed to apply R effectively in statistical analysis and data-driven decision-making.

Learn the essentials of R syntax, such as arithmetic, variables, printing functions, and comments. Strengthen your understanding of computational logic through exercises.

Explore R's data types and understand their role in data handling. Build skills in working with vectors as essential structures for organizing and analyzing information.

Develop the ability to manage categorical data effectively. Discover how to structure, group, and interpret values by converting raw data into clear categories.

Understand how to represent and work with structured two-dimensional data. Build confidence in transforming, labeling, and applying operations to matrices for analytical tasks.

Master the most widely used data structure in R for tabular information. Learn to organize, transform, and extract insights from datasets to support data-driven decisions.

Learn how lists extend beyond vectors by storing elements of different types and lengths. Develop the ability to create, access, and modify lists for organizing complex data structures.

Understanding Matrices

Creating Matrix from Rows

Example

Creating Matrix from Columns

Example

解答