#######################################################################################
################ Statistická laboratoř - 4. workshop ##################################
############### Adéla Vrtková, Martina Litschmannová ##################################
#######################################################################################

##  Máme data, a co dál?
#   1. Spustíme potřebné balíčky, které obsahují další statistické funkce
#   2. Nastavíme pracovní adresář, odkud importujeme data, popř. kam chceme ukládat výstupy
#   3. Importujeme data (z pracovního adresáře, z internetu)
#   4. Pre-processing -> a) Podíváme se na data
#                        b) uložíme si data ve více formátech (každá funkce má "radši" jiný formát)
#   5. Analýza kvalitativních proměnných
#   Náplň příštího workshopu:
#   6. Analýza kvantitativních proměnných
#   7. Identifikace a rozhodnutí o vyloučení/ponechání odlehlých pozorování

#######################################################################################
## 1. Jak nainstalovat a spustit rozšiřující balíček funkcí? ##########################

# Instalování balíčku
install.packages("XLConnect") 

# Načtení balíčku (nutno opakovat při každém novém spuštění Rka, vhodné mít na začátku skriptu)
library(XLConnect)

#######################################################################################
## 2. Kde se ukládají generované výstupy, nastavení pracovního adresáře ###############

# Výpis pracovního adresáře
getwd()

# Nastavení pracovního adresáře -> do uvozovek, celou cestu
setwd("C:/Users/lit40/.rkward")


#######################################################################################
## 3. Načtení datového souboru ########################################################

# základní funkce - read.table, read.csv, read.csv2, ...
# záleží hlavně na formátu souboru (.txt, .csv), na tzv. oddělovači jednotlivých hodnot, desetinné čárce/tečce

# Načtení a uložení datového souboru ve formátu csv2 z lokálního disku do datového rámce data
data=read.csv2(file="C:/Martina/STA1/DATA/aku.csv")

# Načtení a uložení datového souboru ve formátu csv2 z internetu do datového rámce data
data=read.csv2(file="http://am-nas.vsb.cz/lit40/DATA/aku.csv")

# Načtení a uložení datového souboru ve formátu xlsx z lokálního disku do datového rámce data - používáme funkci z balíčku XLConnect, který jsme v úvodu rozbalili
wb=loadWorkbook("C:/Martina/STA1/DATA/aku.xlsx")
data=readWorksheet(wb, sheet="Data", header=TRUE, startRow = 4, startCol=2)
colnames(data)=c("A5","B5","C5","D5","A100","B100","C100","D100")

# Načtení a uložení datového souboru ve formátu xlsx z internetu do datového rámce data (komplikovanější, doporučujeme raději si stáhnout xlsx soubor na lokální disk)
tmp = tempfile(fileext = ".xlsx")
download.file(url = "http://am-nas.vsb.cz/lit40/DATA/aku.xlsx", destfile = tmp, mode="wb")
wb=loadWorkbook(tmp)
data=readWorksheet(wb,sheet="Data",header=TRUE,startRow = 4,startCol=2)
colnames(data)=c("A5","B5","C5","D5","A100","B100","C100","D100")


#######################################################################################
## 4. Pre-processing dat ##############################################################

# Výpis datového souboru
data
# Zobrazení prvních šesti řádků
head(data)

# Zobrazení posledních šesti řádků
tail(data)

# Zobrazení 10. řádku
data[10,]

# Zobrazení 3. sloupce 
data[,3]
# nebo (víme-li, jak se jmenuje proměnná zapsána ve 3. sloupci)
data[["C5"]]
# nebo
data$C5  

# Uložení prvního a pátého sloupce dat. rámce data do dat. rámce pokus
pokus=data[,c(1,5)]

# Uložení prvních 4 sloupců dat. rámce data do dat. rámce data5
data5=data[,c(1:4)]
#nebo
data5=data[,-c(5:8)]

## Pozn. při ukládání dat mysleme na přehlednost v názvech, data5 obsahují kapacity akumulátorů všech výrobců po 5ti cyklech

## Převod dat do standardního datového formátu
data5S=reshape(data[,1:4],			         # část datového rámce, která bude převáděna do std. datového formátu
	      direction="long",                # parametr určující tzv. "long" nebo "wide" formát
	      varying=c("A5","B5","C5","D5"),	 # názvy proměnných, které mají být zařazeny do sloupce hodnot
	      v.names="kap5",			             # pojmenování sloupce hodnot
	      times=c("A","B","C","D"),		     # varianty proměnné, která přiřazuje identifikátory jednotlivým hodnotám proměnné kap5
	      timevar="vyrobce")		           # pojmenování proměnné obsahující identifikátory proměnné kap5

# převedení proměnné data5S$vyrobce na typ factor
data5S$vyrobce=as.factor(data5S$vyrobce)

# odstranění nadbytečné proměnné id z datového rámce data5S
data5S=data5S[,-3]

# odstranění NA z datového rámce data5S
data5S=na.omit(data5S)

## Převod párových dat do standardního datového formátu
dataS=reshape(data,
	      direction="long",
	      varying=list(c("A5","B5","C5","D5"),
			   c("A100","B100","C100","D100")),
	      v.names=c("kap5","kap100"),
	      times=c("A","B","C","D"),
	      timevar="vyrobce")

# převedení proměnné dataS$vyrobce na typ factor
dataS$vyrobce=as.factor(dataS$vyrobce)

# odstranění nadbytečné proměnné id z datového rámce dataS
dataS=dataS[,-4]

# odstranění NA z datového rámce dataS
dataS=na.omit(dataS)

# Definování nové proměnné v stávajícím datovém rámci
dataS$pokles=dataS$kap5-dataS$kap100

## Vytvoření samostatných proměnných
a5=dataS$kap5[dataS$vyrobce=="A"]
b5=dataS$kap5[dataS$vyrobce=="B"]
c5=dataS$kap5[dataS$vyrobce=="C"]
d5=dataS$kap5[dataS$vyrobce=="D"]

a100=dataS$kap100[dataS$vyrobce=="A"]
b100=dataS$kap100[dataS$vyrobce=="B"]
c100=dataS$kap100[dataS$vyrobce=="C"]
d100=dataS$kap100[dataS$vyrobce=="D"]

pokles.a=dataS$pokles[dataS$vyrobce=="A"]
pokles.b=dataS$pokles[dataS$vyrobce=="B"]
pokles.c=dataS$pokles[dataS$vyrobce=="C"]
pokles.d=dataS$pokles[dataS$vyrobce=="D"]

### Poznámky pro zopakování principu grafiky v R ######################################
# základem jsou tzv. high-level funkce, které vytvoří graf (tj. otevřou grafické oknou a vykreslí dle zadaných parametrů)
# na ně navazují tzv. low-level funkce, které něco do aktviního grafického okna přidají, samy o sobě neotevřou nové
# př. low-level funkcí - např. abline, points, lines, legend, title, axis ... které přidají přímku, body, legendu...
# tzn. před použitím "low-level" funkce je potřeba, volat "high-level" funkci (např. plot, boxplot, hist, barplot, pie,...)

# další grafické parametry naleznete v nápovědě
# nebo např. zde http://www.statmethods.net/advgraphs/parameters.html
# nebo zde https://flowingdata.com/2015/03/17/r-cheat-sheet-for-graphical-parameters/
# nebo http://bcb.dfci.harvard.edu/~aedin/courses/BiocDec2011/2.Plotting.pdf

## Barvy v R
# http://www.stat.columbia.edu/~tzheng/files/Rcolor.pdf
# https://www.nceas.ucsb.edu/~frazier/RSpatialGuides/colorPaletteCheatsheet.pdf


#######################################################################################
## 5. Explorační analýza a vizualizace kategoriální proměnné ##########################

## Výpočet četostí ####################################################################
cetnosti=table(dataS$vyrobce) 
cetnosti # výpis

# Výpočet relativních četností - 2 ekvivalentní způsoby
rel.cetnosti=100*cetnosti/sum(cetnosti)  
rel.cetnosti # výpis

rel.cetnosti2=prop.table(cetnosti)*100

# Zaokrouhlení relativních četností (%) na 1 desetinné místo
rel.cetnosti=round(rel.cetnosti,digits=1)
rel.cetnosti  # výpis

# Pozor na zaokrouhlovací chybu!!
rel.cetnosti[4]=100-sum(rel.cetnosti[1:3])
rel.cetnosti   # výpis

# Sloučení četností a relativních četností do tabulky četností
tabulka=cbind(cetnosti,rel.cetnosti)    # cbind() ... sloučení sloupců
tabulka   # výpis

# Přejmenování názvů sloupců v tabulce četností
colnames(tabulka)=c("četnost","rel.četnost (%)")
tabulka

# Uložení tabulky do csv souboru pro export do MS Excel
write.csv2(tabulka,file="tabulka.csv")

# Kde je tabulka uložena?
getwd()


## Výsečový (koláčový) graf - angl. piechart ##########################################
cetnosti=table(dataS$vyrobce)  # v tuto chvíli není nutno používat, četnosti jsme již spočetli a uložili do proměnné cetnosti výše
pie(cetnosti)

# Zabarvení grafu
pie(cetnosti,
    col=c("red","green","yellow","blue"))
pie(cetnosti,
    col=heat.colors(4))

# Přidání názvu grafu a popisků
pie(cetnosti,
    col=heat.colors(4),
    main="Zastoupení výrobců ve výběru",
    labels=c("Výrobce A","Výrobce B","Výrobce C","Výrobce D"))

pie(cetnosti,
    col=heat.colors(4),
    main="Zastoupení výrobců ve výběru",
    labels=paste("Výrobce",names(cetnosti),"\n",cetnosti)) # funkce paste() umožňuje sloučit textové řetězce a hodnoty proměnných, symbol "\n" tvoří nový řádek v textu
    
# rel. četnosti byly spočteny a uloženy do proměnné rel.cetnosti výše
pie(cetnosti,
    col=heat.colors(4),
    main="Zastoupení výrobců ve výběru",
    labels=paste("Výrobce",names(cetnosti),"\n",cetnosti,";",rel.cetnosti,"%"))

# Pro zájemce - balíček plotrix a funkce pie3D vytvoří 3D koláčový graf


## Sloupcový graf - angl. barplot #####################################################
cetnosti=table(data5S$vyrobce)  # v tuto chvíli není nutno používat, četnosti jsme již spočetli a uložili do proměnné cetnosti výše
barplot(cetnosti)

# Změna barev, přidání názvu
barplot(cetnosti,
	col=heat.colors(4),
	main="Zastoupení výrobců ve výběru",
	space=0.6)                             # parametr space vytvoří mezeru mezi sloupci

# Přidání dalších popisků a legendy
barplot(cetnosti,
	col=heat.colors(4),
	horiz=TRUE,                            # horizontální orientace grafu
	border=FALSE,				                   # nevykresluje čáru kolem sloupečků
	main="Zastoupení výrobců ve výběru",
	names.arg=paste("Výrobce",names(cetnosti)))

legend("topright",
	paste("Výrobce",names(cetnosti)),
	col=heat.colors(4),
	fill=heat.colors(4),
	border=FALSE,
	bty="n")

# Přidání absolutních a relativních četností k odpovídajícím sloupcům
bp = barplot(cetnosti,
	   col=heat.colors(4),
	   main="Zastoupení výrobců ve výběru",
	   names.arg=paste("Výrobce",names(cetnosti)))
text(bp,cetnosti,cetnosti)

bp = barplot(cetnosti,
	   col=heat.colors(4),
	   main="Zastoupení výrobců ve výběru",
	   names.arg=paste("Výrobce",names(cetnosti)))
text(bp,
     cetnosti,paste(cetnosti,";",rel.cetnosti,"%"),
     pos=1)						# parametr pos udává, kde bude text uveden vzhledem k dané pozici (1 = pod, 2 = vlevo, 3 = nad, 4 = vpravo) 	

## Jak graf uložit? ##################################################################

# Zjištění aktivního okna, nastavení aktivního okna - tj. který graf chceme uložit?
dev.cur()
dev.set(2)

# Uložení obrázku ve formátu pdf (výška a šířka jsou uvedeny v palcích (inch), 1inch=2,54cm)
dev.print(device=pdf,file="barplot.pdf",width=6.5,height=5)

# Zavření grafického okna
dev.off()

# Kam se obrázek uložil?
getwd()

#######################################################################################
#####Pie charts are a very bad way of displaying information.##########################
##The eye is good at judging linear measures and bad at judging relative areas.########
##A bar chart or dot chart is a preferable way of displaying this type of data. #######
#######################################################################################