# Balíčky -----------------------------------------------------------------
library(tidyverse)

# Challange ---------------------------------------------------------------

# Zkuste správně importovat soubor z této url adresy
# https://raw.githubusercontent.com/tidyverse/readr/main/inst/extdata/challenge.csv 
# Nazvěte nový objekt challange
challange <- read_csv("https://raw.githubusercontent.com/tidyverse/readr/main/inst/extdata/challenge.csv")

# Bezpčnější je ale vždy specifikvoat typy sloupců,
# Když máme takto malý dataset, není to navíc nic těžkého
challange <- read_csv(
  "https://raw.githubusercontent.com/tidyverse/readr/main/inst/extdata/challenge.csv",
  col_types = cols(
    x = col_double(),
    y = col_date()
  ))
head(challange)

# Kterou funkci byste použili, kdybyste měli importovat soubor, který by jako
# Oddělovač hodnot používal “|”
"a|b|c\n1|2|3\n4|5|6" %>% 
  read_delim(delim = "|")
# pomocí read_delim můžeme specifikovat jakýkoli oddělovač hodnot

# Problémy při importu ----------------------------------------------------

# Někdy .csv soubory obsahují čárky, které nechceme interpretovat jako
# oddělovače hodnot

# Aby nedělaly problémy, musejí být uvazřeny nějakým typem uvozovek.
# Defaultně funkce read_csv předpokládá použití dvojitých uvozovek.
# Jak bychom správně načetli tento .csv soubor?

# Funckí writeLines() se můžeme podívat na to, jak by řetězec znaků
# vypadal v obyčejném textovém souboru
writeLines("x,y\n1,'a,b'") # \n se intepretuje jako nový řádek
read_csv("x,y\n1,'a,b'") # špatně, uvozovky importovány jakou součást hodnot v buňce
read_csv("x,y\n1,'a,b'", quote = "'") # správně, uvozovky interpretovány jen
# jako vymezovač buňky, která obsahuje text s čárkou


# Identifikujte, co je zřejmě špatně při tomto importu?
writeLines("a,b\n1,2,3\n4,5,6") # chybí jeden název sloupce
read_csv("a,b\n1,2,3\n4,5,6") # špatně
read_csv("a,b,c\n1,2,3\n4,5,6") # správně

writeLines("a,b,c\n1,2\n1,2,3,4") # první řádek má je dvě hodnoty, ve třetím jedna přebývá
read_csv("a,b,c\n1,2\n1,2,3,4") # špatně
read_csv("a,b,c\n1,2,3\n1,2,3") # správně

writeLines("a,b\n1,2\na,b") # Opakující se názvy sloupců na posledním řádku
read_csv("a,b\n1,2\na,b") # špatně
read_csv("a,b\n1,2") # správně

writeLines("a;b\n1;3")  # Špatný oddělovač hodnot
read_csv("a;b\n1;3") # špatně
read_csv2("a;b\n1;3") # správně

# mymsa -------------------------------------------------------------------

# Zvolte správnou funkci k načtení tohoto flat file:
# https://raw.githubusercontent.com/nt246/NTRES-6100-data-science/main/datasets/janitor_mymsa_subset.txt
# Importujte jej pod jménem mymsa
mymsa1 <- read_tsv("https://raw.githubusercontent.com/nt246/NTRES-6100-data-science/main/datasets/janitor_mymsa_subset.txt")
mymsa1
glimpse(mymsa1)

# Zkuste nastavit nová jména sloupců, abychom měly standardní názvy bez 
# speciálních znaků
mymsa2 <- read_tsv("https://raw.githubusercontent.com/nt246/NTRES-6100-data-science/main/datasets/janitor_mymsa_subset.txt",
                  skip = 1,
                  col_names = c("plant_id", "body", "scan_time_left", "scan_time_right",
                                "hang_method", "hgp", "sex", "hscw_left", "p8_fat",
                                "est_perc_bi", "feed_type", "days_on_feed", "msa_index")
)

glimpse(mymsa2)
names(mymsa2)

# Pro kontrolu
tibble(
  nms1 = names(mymsa1),
  nms2 = names(mymsa2),
)

# WWCFIFA -----------------------------------------------------------------

# Stáhněte si dataset 2019_WWCFIFA_summary.csv ze studijních materiálů
# a uložte si ho do vhodné složky
# Zkuste to udělat pomocí funkce download.file()
download.file("https://is.muni.cz/el/fss/podzim2022/PSYn5320/um/datasets/2019_WWCFIFA_summary.csv",
              destfile = "data/2019_WWCFIFA_summary.csv",
              method = "curl")

# Importujte pomocí vhodné funkce stažený dataset a nazvěte nový objekt wwc_raw
wwc_raw <- read_csv("data/2019_WWCFIFA_summary.csv")
glimpse(wwc_raw)

# Zkuste import opakovat, ale ručně specifikujte typy sloupců
# aby sloupec Date byl typu "date" a slpoupce "Round" a "Venue" typu factor
?col_date
wwc_raw <- read_csv("data/2019_WWCFIFA_summary.csv",
                    col_types = cols(
                      Round = col_factor(),
                      Date = col_date(format = "%m/%d/%y"),
                      Venue = col_factor()
                    ))

# Aplikujte vhodné funkce, abyste získali přehled o datech
# (souhrnné statistiky a strukturu dat)
summary(wwc_raw)
glimpse(wwc_raw)

# Vytvořte nový objekt wwc_1, jehož základem bude wwc_raw: 
  # pomocí funkce str_to_lower() změňte jména sloupců na lowercase
wwc_1 <- wwc_raw %>% 
  rename_with(str_to_lower)

# Použijte na wwc_1 funkce dim(), nrow() a ncol().
# Co tyto funkce dělají?
dim(wwc_1)
nrow(wwc_1)
ncol(wwc_1)

# Použijte vhodné funkce k ispekci prvních a posledních 10 řádků wwc_1
head(wwc_1, n = 10)
tail(wwc_1, n = 10)

# Vyřadťe řádky, kde jsou jen missing values, a vytvořte tak objekt wwc_2
wwc_2 <- subset(wwc_1, !is.na(home))

# Ve sloupci date a venue by měla zbýt jedna chybějící hodnota
# Ve sloupci date ji nahraďte "2019-06-09"
# Ve sloupci "venue" ji nahraďte "Groupama Stadium"
wwc_2$date
wwc_2$date[is.na(wwc_2$date)] 
wwc_2$date[is.na(wwc_2$date)] <- "2019-06-09"
wwc_2$date

wwc_2$venue
wwc_2$venue[wwc_2$venue == ""]
wwc_2$venue[wwc_2$venue == ""] <- "Groupama Stadium"
wwc_2$venue

# Podívejte se na nápovědu k funkci separate() a zkuste sloupe
# score pomocí ní rozdělit na dva ("home_score" a "away_score")
wwc_3 <- wwc_2 %>% 
  separate(score, into = c("home_score", "away_score"), convert = TRUE) %>% 
  separate(pks, into = c("home_pks", "away_pks"), convert = TRUE)
wwc_3
# Totéž udělejte pro sloupec pks (rozdělte ho na dva sloupce
# "home_pks" a "away_pks"

# Nahradťe chybějící hodnoty ve sloupcích "home_pks" a "away_pks" nulami
wwc_3$home_pks[is.na(wwc_3$home_pks)] <- 0
wwc_3$away_pks[is.na(wwc_3$away_pks)] <- 0
wwc_3
View(wwc_3)