LAB 02 - 2.10.2018

  Pokracujeme v praci s viacrozmernymi datami "cars" z minuleho tyzdna. 
  Cielom je vytvorit vizualizaciu typu "timeline", zobrazujucu niekolko 
  premennych naraz tak aby sa dali vidiet trendy v case. Pripravil
  som pre Vas pociatocne kroky, Vasou ulohou bude ich rozvinut dalej.
  Pripravena je ukazka konstrukcie jednoduchej linearnej casovej osi
  a grafickych prvkov nad nou. Nasleduje idea spiralovitej casovej osi,
  s ktorou budete mat za ulohu dalej pracovat a vytvorit vlastnu
  vizualizaciu. Mozete napriklad menit podla dat hrubku a farbu spiraly, 
  umiestnovat nu body roznej velkosti alebo doplnit ju obrazkami ilustrujucimi 
  trendy v datach. Zmente kod smerom k vyssej estetickej urovni, pouzite 
  lepsiu paletu farieb a podobne.
  Vysledky prace zaslite e-mailom vyucujucemu, budu hodnotene bodovo.

  Ak Vam budu pri praci chybat nejake balicky v R, mali by ste byt schopni
  si ich nainstalovat prikazom install.packages()".
  Budu instalovane vo Vasom domovskom adresari.

  Pokial nemate uchovanu historiu z minuleho tyzdna:

cardata <- read.table("cars.data")
names(cardata) <- c("mpg","cylinders","displacement","horsepower","weight","acceleration","model.year","origin")
carnames <- read.table("cars.names")
names(carnames) <- c("name")
cars <- data.frame(c(carnames,cardata))

  Len velmi povrchne sa zoznamime s moznostami upravy dat pred vizualizaciou.
  K tomu posluzia funkcie a balicky zo sady balickov "tidyverse", hlavne tidyr
  a dplyr.

  Upravime do 3.normalnej formy data v subore le_mess.csv. read_csv() z readr
  posluzi k nacitaniu dat, operator %>% z tidyr k retazeniu prikazov, funkcia 
  gather() zas k reorganizacii premmennych zo stlpcov do novej tabulky (data frame).

library(readr)
life_exp_df <- read_csv("le_mess.csv")
View(life_exp_df)
library(tidyr)
library(dplyr)
(life_exp_tidy <- life_exp_df %>% 
    gather(key = "year", value = "life_exp", -country))
View(life_exp_tidy)

  Naucite sa pouzivat graficke prikazy z balika ggplot2. Vizualizacia dat v nom
  vychadza z principov grafickej gramatiky (Grammar of Graphics). Tato rozdeluje 
  rozhodovanie o konecnej podobe grafickeho vystupu na pracu s relativne nezavislymi 
  zlozkami ako su priestor, graficke znacky a mapovanie ich vlastnosti na data.

Porovnajte klasicky vystup s pouzitim systemu grid
plot(cars$model.year, cars$mpg)

  a obdobny prikaz v ggplot2

library(ggplot2)
quickplot(data=cars, model.year,mpg)

  Obdobny prikaz s pouzitim plnej vyjadrovacej sily je

g <- ggplot(cars, aes(x=model.year,y=mpg))
g + geom_point()

  Vsimnite si ake jednoduche je zmenit typ vizualizacie

g + stat_summary(geom="area")

  V tejto chvili experimentujte s dalsimi moznostami, ktore balicek ggplot2 poskytuje.

V minulych rokoch sme v systeme grid konstruovali nasledovnu vizualizaciu:
----------
  Vytvorime podoblast pre data od roku 1969 do 1983

library(grid)
grid.newpage()
pushViewport(plotViewport())
pushViewport(viewport(xscale=c(1969,1983)))
years <- c(1969:1983)

  Vykreslime body pre jednotlive roky, kazdy desiaty vyraznejsie

grid.circle(years,0,0.15,default.units="native",gp=gpar(fill="red"))
syears <- years[which(years/10 == floor(years/10))]
grid.circle(syears,0,0.25,default.units="native",gp=gpar(fill="blue"))

  Popiseme modre body rokmi

grid.text(syears,syears,-0.1,default.units="native",rot=90,gp=gpar(fontsize=14,fontface="bold"))

  Aby sme mohli opakovat rozne vizualizacie s tou istou casovou osou, ulozime
  si predchadzajuce prikazy ako funkciu initTimeline()

initTimeline <- function(years){
  ...
}

  Vytvorime farebnu plochu, ktora bude znazornovat spotrebu aut v danom roku
  Najprv ale potrebujeme funkciu, ktora spocita pocet aut pre dany rok

countCars <- function(year){
  length(which(cars$model.year == year-1900))
}

  Vyskusajte, ci funguje:

countCars(1971)

  vysledok by mal byt 29. Vyborne! 

  podobna funkcia nam spocita priemerny pocet valcov pre dany rok

countCylinders <- function(year){
  mean(cars$cylinders[which(cars$model.year == year-1900)])
}

countCylinders(1971)

  Je vysledok 5.517241?

a priemernu spotrebu

countMpg <- function (year)
{
  if(countCars(year)>0){
    mean(cars$mpg[which(cars$model.year == year-1900)],na.rm=TRUE)
  } else {
    0
  }
}

  Mozeme zobrazit oblast podla poctu aut v danom roku

grid.polygon(years,mapply(countMpg,years)/100+0.05,default.units="native",gp=gpar(fill="grey"))

  Nad nou zobrazime prislusny pocet valcov tak, aby sa zdoraznilo, ze jedna 
  klesa zatial co druha stupa. Potrebujeme funkciu drawCyl()

drawCyl <- function(){
  grid.rect(x=0.5,y=0.7,width=0.8,height=0.6,gp=gpar(fill="brown"))
  grid.rect(x=0.5,y=0.9,width=0.8,height=0.08,gp=gpar(fill="brown"))
  grid.rect(x=0.5,y=0.3,width=0.1,height=0.2,gp=gpar(fill="brown"))
  grid.circle(0.5,0.1,0.2,gp=gpar(fill="grey"))
}

  ... a mozeme zacat vykreslovat, viewport vzdy nastavime na spravne miesto 
  pomocou x= a y=

drawSymbols <- function(year){
  n <- round(countCylinders(year))
  for(i in 1:n){
    pushViewport(viewport(x=year,y=1.0-i*0.075,width=0.5,height=0.06,default.units="native"))
    drawCyl()
    popViewport()
  }
}

  Funkcia mapply aplikuje funkciu drawSymbols na vsetky prvky vektora (roky) 

mapply(drawSymbols,c(1970:1982))
----------

  Ako prve hodnotene cvicenie vyrieste ulohu 
    1) 3.6.1-6 z odkazu "R for Data Science"
  vytvorte dve vizualizacie pomocou balika ggplot2
    2) obdobnu vysledku prikazu z cvicenia 1: xyplot(displacement ~ mpg | cylinders, data = cars)
    3) obdobnu vizualizaciu ako je ta v nasom cviceni vyssie