# prikazy spustim pomocou Ctrl+Enter (staci nastavit sa na riadok alebo oznacit viac riadkov)

# toto je komentar :)
a <- 1 # vytvorenie premennej 'a' s hodnotou 1
b <- 2
a + b # scitam
d <- a + b # zapisem vysledok do d
d # kolko je d?
rm(d) # vymazanie premennej
?rm # napoveda k rm
ls() # ake mam premenne? (vidno aj napravo v zalozke Enviroment)
rm(list=ls()) # vymaze vsetko
# ...

d <- c(1, 2, 3, 4) # vektor
d
d <- c(1:4) # rovnaky vektor
e <- rep(1, 4) # iny vektor
e
d + e # operacie s vektormi 
d + 1
d * 2
1 / d
d * e # nasobim vsetko po slozkach
t(d) %*% e # maticove operacie (je treba mat spravne dimenzie)
dim(d) # dimenzie
length(d) # delka vektoru
d[1] # 1. zlozka vektoru
d[c(1, 2)] # 1. a 2. slozka vektoru
d[1:2] # to iste
d[-1] # okrem poslednej zlozky

# ------------------------------------------------------------------------
ockovani <- read.csv("Data/ockovani.csv", header=TRUE, encoding = "UTF-8")
View(ockovani)
getwd() # aky je pracovny adresar?
setwd("cesta_k_priecinku") # nastavim pracovny adresar

class(ockovani) # aky typ?
dim(ockovani) # dimenzia
str(ockovani) # zobrazi strukturu (a ake typy su data)
head(ockovani) # hlavicka
names(ockovani) # nazvy v hlavicke (mena stlpcov)
names(ockovani)[1] <- "datum" # premenujemm stlpec 1 na "datum"
summary(ockovani) # sumarizacia dat

ockovani$vakcina <- factor(ockovani$vakcina)
# stlpec vakcina z ockovani - vyrobi factor z neho
ockovani$vekova_skupina <- factor(ockovani$vekova_skupina) # to iste, treba spravit, ak mate starsie R, aby ste mohli pracovat potom napr. s levels()
ockovani$kraj_nuts_kod <- factor(ockovani$kraj_nuts_kod)
ockovani$kraj_nazev <- factor(ockovani$kraj_nazev)


summary(ockovani[, -4]) # sumarizacia okrem 4 stlpca
datum <- as.Date(ockovani$datum, format = "%d/%m/%Y") # format datumu ulozim do premennej datum
summary(datum) # skontrolujem, ci mam dobre format
rm(datum) # vymazem
ockovani$datum <- as.Date(ockovani$datum, format = "%d/%m/%Y") # zmenim format stlpca datum v datach
summary(ockovani[, -4])
summary(ockovani$kraj_nazev)

range(ockovani$prvnich_davek) # rozmedzie hodnot v stlpci prvnich_davek
min(ockovani$prvnich_davek) # minimalna hodnota stlpca
max(ockovani$prvnich_davek) # max hodnota stlpca
mean(ockovani$prvnich_davek) # priemer
sd(ockovani$prvnich_davek) # smerodatna odchylka 
var(ockovani$prvnich_davek) # rozptyl
median(ockovani$prvnich_davek) # median

summary(ockovani[ockovani$vakcina == "Comirnaty", -4]) # sumarizacia dat, kde vakcina je Comirnaty, bez 4. stlpca
summary(ockovani[ockovani$vakcina == "Comirnaty", 2]) # rovnako, ale len 2 stlpec
summary(ockovani[ockovani$vakcina == "Comirnaty" & ockovani$kraj_nuts_kod == "CZ064", -4]) # sumarizacia dat, kde vakcina je Comirnaty a kraj CZ064, bez 4. stlpca
levels(ockovani$vekova_skupina) # ake mam mozne hodnoty?
sum(ockovani$prvnich_davek[ockovani$vekova_skupina == "80+" & ockovani$kraj_nuts_kod == "CZ064"]) # spocita pocet zaznamov, ktore splnuju podmienky
sum(ockovani$druhych_davek[ockovani$vekova_skupina == "80+" | ockovani$vekova_skupina == "75-79"]) # -||-

plot(ockovani$datum, ockovani$prvnich_davek) # nakresli graficke znazornenie

plot(ockovani$datum[ockovani$kraj_nuts_kod == "CZ064"], 
     ockovani$prvnich_davek[ockovani$kraj_nuts_kod == "CZ064"])
# nakresli graficke znazornenie, ktore splna podmienky

ockovani.jmk.80 <- ockovani[ockovani$kraj_nuts_kod == "CZ064" &
                              ockovani$vekova_skupina == "80+",
                            c(1, 2, 6, 7)]
# do premennej si ulozim ockovanych ludi nad 80 v kraji CZ064

dim(ockovani.jmk.80) # kontrola dimenzii - 4 kvoli vyberu pomocou vektora c(..)
ockovani.jmk.80 # vypise data

plot(ockovani.jmk.80$datum, ockovani.jmk.80$prvnich_davek, 
     main = "Ockovani senioru (80+) v JMK",
     ylab = "Prvnich davek", xlab = "Datum",
     type = "n")
# vykreslim graf

points(ockovani.jmk.80$datum[ockovani.jmk.80$vakcina == "Comirnaty"], 
       ockovani.jmk.80$prvnich_davek[ockovani.jmk.80$vakcina == "Comirnaty"], 
       col = "red", pch = 19)
points(ockovani.jmk.80$datum[ockovani.jmk.80$vakcina == "COVID-19 Vaccine Moderna"], 
       ockovani.jmk.80$prvnich_davek[ockovani.jmk.80$vakcina == "COVID-19 Vaccine Moderna"], 
       col = 3, pch = 19)
points(ockovani.jmk.80$datum[ockovani.jmk.80$vakcina == "COVID-19 Vaccine AstraZeneca"], 
       ockovani.jmk.80$prvnich_davek[ockovani.jmk.80$vakcina == "COVID-19 Vaccine AstraZeneca"], 
       col = 4, pch = 19)
# nakreslim body

legend(x = "topleft", legend = c("Comirnaty", "Moderna", "AstraZeneca"), col = c(2:4), pch = 19)
# doplnim legendu

hist(ockovani.jmk.80$prvnich_davek) # vytvorim histogram

#----------------------------------------------------
install.packages("Rmisc") # nainstalujem kniznicu
library("Rmisc") # nacitam kniznicu

nut1_for_512 <- scan("run1/nuttcp-forward-512.values", what=numeric()) # nacitam data z merana pre forward smer a hodnotu 512
class(nut1_for_512) # co je to za typ?

shapiro.test(nut1_for_512) # prevediem shapirov test normality na nut1_for_512
hist(nut1_for_512) # vykreslim histogram nameranych hodnot v nut1_for_512
hist(nut1_for_512[2:60]) # vykreslim histogram bez chyby, pozor! nemusi sa vykreslit pekne, treba najst ten spravny :)

qqnorm(nut1_for_512[2:60]) # Q-Q diagram nut, porovnajte vizualne s obrazkom z prednasky
qqline(nut1_for_512) # Q-Q diagram aj s ciarou

CI(nut1_for_512, ci=.95) # interval spoľahlivosti pre 95% na nut1_for_512
?CI # co je to CI?

quantile(nut1_for_512, prob = seq(0, 1, length = 21)) # hodnota kvantilov pre pravdeposobnosť rozdelenu do 21 "skupin"

library("kSamples")
ad.test(nut_1for128, nut_2for128) # Anderson-Darling test (vismnite si, ze predavam nuty s rovnakymi velkostami - kvoli hypoteze)
?ad.test