# Příprava ---------------------------------------------
library(tidyverse)

row_na <- function(...) {
  
  # Vybrat sloupce, které chceme
  data <- pick(...)
  
  # Vypočíst součet chybějícíh dat (počet NA) pro řádky
  data %>% 
    is.na() %>% 
    rowSums()
}

row_mean <- function(..., max_na = 0) {
  
  # Vybrat sloupce, které chceme
  data <- pick(...)
  
  # Vypočíst součet chybějícíh dat (počet NA) pro daný řádek
  n_missing <- data %>% 
    is.na() %>% 
    rowSums()
  
  # Vypočíst celkový skór jako průměr položek pro daný řádek
  out <- data %>% 
    rowMeans(na.rm = TRUE)
  
  # Nahradit celkový skór chybějící hodnotou, pokud je n_missing > max_na
  out[n_missing > max_na] <- NA_real_
  
  # Výstupní hodnota (output funkce)
  return(out) 
}

ci_mean <- function(x, level = .95, na.rm = TRUE) {
  if (na.rm == TRUE) {
    x <- x[!is.na(x)]
  }
  
  n <- length(x)
  df <- n - 1
  s <- sd(x)
  m <- mean(x)
  
  se <- s/sqrt(n)
  alpha <- 1 - level
  t <- qt(1 - alpha/2, df = df)
  me <- t*se
  ci_lower <- m - me
  ci_upper <- m + me
  
  tibble(m = m,
         ci_lower = ci_lower,
         ci_upper = ci_upper,
         sd = s,
         se = se,
         n = n)
  
}

quartiles <- function(x,
                      na.rm = TRUE) {
  tibble(
    stat = c("Min", "Q1", "Mdn", "Q3", "Max"),
    value = quantile(x, 
                     probs = c(0, .25, .5, .75, 1), 
                     na.rm = na.rm)
  ) %>% 
    pivot_wider(names_from = stat, values_from = value)
}


# Import dat --------------------------------
# Importujte data "help_seeking_data.dat"
# (vytvořte objekt df )

# Importujte codebook "help_seeking_codebook.xlsx"
# (vytvořte objekt cb)

# Ovetřete v novém okně RStudia metadata
# Co asi měří položky dotazníků "atspph" a "ees"

# Prozkoumejte df i cb ----------------------------------
# Jaké funkce k tomu můžeme použít

# Doplňte id a přesuňte je na začátek jako první sloupce ---------------

# Factors --------------------------------------------------------
# Převeďte např gender a partner na kategorickou proměnnou (factor)


# Převedťe věk na kategorickou proměnnou
# age_two: 16–29, 30+
# age_multi: 16–19, 20-29, 30-39, 40-49, 50+ 
# Zkuste to pomocí funkce


# Četnosti ---------------------------------------

# Zkuste četnosti pohlaví zobrazit tabulkou i grafem (sloupcovým)


# Zkuste četnosti pohlaví zobrazit tabulkou i grafem (sloupcovým)


# Vektory s názvy položek --------------------------------------------
# Zkuste vytvořit vektory s názvy položek obou škál
# a pak je zkombinovat do jednoho listu


# Vytvořte vektory s názvy reverzních položek 
# zvlášť pro obě škály
# vektory s názvy reverzních položek


# Rekódování reverzních položek ----------------------------------------
# Uložte si kopii datasetu df
# a poté rekódujte reverzní položky obou škál


# Reliabilita -------------------------------------------------
# Proveďte základní položkovou analýzu pomocí funkce psych::alpha()


# Celkové skóry ---------------------------------------------
# Pomocí funkce row_mean() vypočtěte celkové skóry obou škál
# Nazvěte nové sloupce help a emo

# Přesuňte nové sloupce někde na začátek, třeba za age

# Deskriptivní statistiky -------------------------------
# Vypočtěte průměry a SD pro celkové skóry


# Udělejte totéž a rozdělte dataset i podle pohlaví


# Udělejte totéž a rozdělte dataset i podle pohlaví a age_two
# Vyberte pouze muže a ženy


# Vyzkoušejte použití funkce ci_mean()