Summary  
Data frames are two-dimensional data structures with named columns that can hold mixed data types, and R provides built-in datasets stored as data frames or matrices for convenient access.

General domain of usage  
Data analysis

Um **data frame** é uma estrutura de dados **bidimensional** semelhante a uma matriz, mas com uma diferença fundamental: um data frame pode armazenar diferentes tipos de dados em suas colunas.

Definição

## Principais Propriedades
- Assim como nas matrizes, cada elemento em um data frame está localizado na interseção de uma linha e uma coluna;
- Diferente das matrizes, as colunas de um data frame devem sempre ter nomes;
- Data frames são comumente utilizados para armazenar conjuntos de dados no R, onde diferentes colunas representam variáveis de diferentes tipos.

## Conjuntos de Dados Internos
O R oferece muitos conjuntos de dados internos, alguns armazenados como matrizes (apenas dados numéricos) e outros como data frames (tipos de dados mistos).

# =====================================================================
# ОПТИМІЗОВАНИЙ ВАРІАНТ ТЕСТІВ ДЛЯ mtcars
# =====================================================================

library(testthat)
source(testthat::test_path("helper-run_user_code.R"), local = TRUE)

# Пошук user_code.R
candidates <- c(
  testthat::test_path("..", "..", "user_code.R"),
  testthat::test_path("user_code.R")
)

user_file <- candidates[file.exists(candidates)][1]
if (is.na(user_file)) stop("user_code.R not found")

# Виконання user_code.R з обмеженим capture
logs_full <- utils::capture.output(source(user_file, echo = FALSE, print.eval = TRUE))
out <- trimws(substr(paste(logs_full, collapse = " "), 1, 3000))  # обмеження довжини

# ---------- CASE 1 ----------
{
  ok <- grepl("data.frame", out, fixed = TRUE)

  dynamic_test(
    ok,
    "Console output includes 'data.frame' class info",
    sprintf("Expected output to contain 'data.frame'. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 2 ----------
{
  ok <- all(sapply(c("mpg","cyl","disp","hp","drat","wt","qsec"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains main column names of mtcars",
    sprintf("Expected column names mpg,cyl,disp,hp,drat,wt,qsec. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 3 ----------
{
  ok <- all(sapply(c("Mazda RX4","Datsun 710","Hornet 4 Drive"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains example row names (Mazda RX4, Datsun 710, Hornet 4 Drive)",
    sprintf("Expected row names present. Actual (first chars): %s", substr(out, 1, 200))
  )
}

# ---------- CASE 4 ----------
{
  ok <- all(sapply(c("21.0","160.0","3.90"), function(x) grepl(x, out, fixed = TRUE)))

  dynamic_test(
    ok,
    "Console output contains numeric data from mtcars",
    sprintf("Expected values 21.0, 160.0, 3.90. Actual (first chars): %s", substr(out, 1, 200))
  )
}


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

Adquira uma compreensão sólida de R, uma das linguagens mais amplamente utilizadas para análise de dados. Explore tipos de dados fundamentais e valores unidimensionais, avançando para estruturas multidimensionais, incluindo matrizes, data frames e listas. Desenvolva as habilidades necessárias para aplicar R de forma eficaz em análises estatísticas e na tomada de decisões orientadas por dados.

Aprenda os conceitos essenciais da sintaxe do R, como aritmética, variáveis, funções de impressão e comentários. Reforce a compreensão da lógica computacional por meio de exercícios.

Explore os tipos de dados em R e compreenda seu papel no tratamento de dados. Desenvolva habilidades no trabalho com vetores como estruturas essenciais para organizar e analisar informações.

Desenvolvimento da capacidade de gerenciar dados categóricos de forma eficaz. Aprenda a estruturar, agrupar e interpretar valores convertendo dados brutos em categorias claras.

Compreensão de como representar e trabalhar com dados estruturados bidimensionais. Desenvolvimento de confiança na transformação, rotulagem e aplicação de operações em matrizes para tarefas analíticas.

Domine a estrutura de dados mais utilizada no R para informações tabulares. Aprenda a organizar, transformar e extrair insights de conjuntos de dados para apoiar decisões baseadas em dados.

Aprenda como as listas vão além dos vetores ao armazenar elementos de diferentes tipos e comprimentos. Desenvolva a capacidade de criar, acessar e modificar listas para organizar estruturas de dados complexas.

Compreendendo Data Frames

Principais Propriedades

Conjuntos de Dados Internos

Solução

Compreendendo Data Frames

Principais Propriedades

Conjuntos de Dados Internos

Solução