# Uvod do R; verze 20160226
# 
# napoveda se vyvolava prikazem help a nebo otaznikem spolecne s klicovym slovem (napr. prikaz setwd): help(setwd) a nebo ?setwd

# vymazani promennych
rm(list = ls())

# pracovni adresar
work_dir <- setwd('C:/Users/Gelda/Desktop/cviceni')
# pripojeni pres sitovy disk ve skole
work_dir <- setwd('\\\\nfs3.ucn.muni.cz/profiles/431335/Documents/Vyuka/ZFG02')

# vypis souboru v pracovnim adresari
list.files(work_dir)

# jmeno souboru, ktery chceme nacist
file_name <- 'brno_t.csv'

# nacteni souboru a nastaveni jeho vlastnosti
dataset_brno_t <- read.table(file_name, header = T, dec = '.', sep = ';')
names(dataset_brno_t)

# zakladni prace s datasetem; osobne radeji pracuji se sloupcovym zapisem, viz nize
dataset_brno_t$JAN[1] # vypis radku pres promennou nazev (names)
dataset_brno_t[1,2] # sloupcovy zapis (poradi daneho radku a sloupce v datasetu)

# zapis dataset_brno_t$JAN odpovida zapisu dataset_brno_t[,2]; pro kontrolu
dataset_brno_t$JAN
dataset_brno_t[,2]

# zakladni vlastnosti souboru; jejich ukladani do promennych, zakladni vypocty
nrow(dataset_brno_t)
ncol(dataset_brno_t)
summary(dataset_brno_t)

mean(dataset_brno_t[,2])
sd(dataset_brno_t[,2])

pocet_radku <- nrow(dataset_brno_t)

# kvantily
quantile(dataset_brno_t[,2])
quantile(dataset_brno_t[,2], c(.25, .75))

# tahani dat z vypisu
prvni_kvantil <- quantile(dataset_brno_t[,2])[[2]]
prvni_kvantil

# razeni sloupce od nejmensiho
sort(dataset_brno_t[,2], decreasing = F)

# histogram a boxplot
hist(dataset_brno_t[,2])
hist(dataset_brno_t[,2], breaks = 20)
hist(dataset_brno_t[,2], breaks = 20, main = 'Histogram')
hist(dataset_brno_t[,2], breaks = 20, main = 'Histogram', ylab = 'Počet', xlab = 'Teplota')
hist(dataset_brno_t[,2], breaks = 20, main = 'Histogram', ylab = 'Počet', xlab = 'Teplota', col = 'blue')
boxplot(dataset_brno_t[,2], main = 'Boxplot')

# test normality dat
shapiro.test(dataset_brno_t[,2])

# qq-plot
qqnorm(dataset_brno_t[,2])

# # # # # # # # # # # # # # # # # # # # # # # # # # # 

# druhy dataset
dataset_naoi <- read.table('NAOI.csv', header = T, dec = '.', sep = ';')
names(dataset_naoi)

# hledani minima roku
min(dataset_naoi[,1]) # min(dataset_naoi$rok)

# oprava prvniho datasetu tak, aby byl stejne 'dlouhy' jako druhy (zkraceni prvniho sloupce (JAN) podle hodnoty atributu YEAR)
brno_t_short <- subset(dataset_brno_t, YEAR > 1824)

# kontrola delek datasetu (nrow je pro matice, length pro vektory)
nrow(brno_t_short) # length(brno_t_short[,1])
nrow(dataset_naoi) # length(dataset_naoi[,1])

# vykresleni grafu zavislosti lednovych hodnot
plot(brno_t_short[,2], dataset_naoi[,2], main = 'Název grafu')
plot(brno_t_short[,2], dataset_naoi[,2], main = 'Název grafu', xlab = 'Brno_t LEDEN', ylab = 'Index NAO LEDEN')

# vypocet korelace
cor(brno_t_short[,2], dataset_naoi[,2])

# test vyznamnosti korelace
cor.test(brno_t_short[,2], dataset_naoi[,2])

# priklad promenne p-value z korelacniho testu 
cor.test(brno_t_short[,2], dataset_naoi[,2])$p.value

# linearni regrese - pozor na poradi prvku!
# spatne: lm(brno_t_short[,2] ~ dataset_naoi[,2])
# spravne: lm(dataset_naoi[,2] ~ brno_t_short[,2])
lm_leden <- lm(dataset_naoi[,2] ~ brno_t_short[,2])
summary(lm_leden)
# summary(lm(dataset_naoi[,2] ~ brno_t_short[,2])) # predchozi dva prikazy dohromady

# pridani regrese do obrazku
abline(lm_leden)
abline(lm_leden, col = 'red', lwd = 3)

# # # # # # # # # # # # # # # # # # # # # # # # # # #

# statisticke testy: t-test (porovnani dvou nezavislych souboru)
t.test(dataset_naoi[,2], dataset_naoi[,8])

# statisticke testy: parovy t-test (porovnani dvou nezavislych souboru)
t.test(dataset_naoi[,2], dataset_naoi[,8], paired = T)

# statisticke testy: f-test (lisi se vyznamne variabilita hodnot indexu NAO v lednu a v cervenci?)
var.test(dataset_naoi[,2], dataset_naoi[,8])

# # # # # # # # # # # # # # # # # # # # # # # # # # #

# casove rady
brno_t_cervenec <- ts(brno_t_short[,8], start = brno_t_short[1,1])
brno_t_cervenec # vsimnete si zmenene struktury vypisu!

# graf cervence
plot.ts(brno_t_cervenec)
plot.ts(brno_t_cervenec, main = 'Časová řada', ylab = 'T [°C]', xlab = 'Rok', col = 'darkgrey')

# nizkofrekvencni filtr
filtr_cervenec <- ksmooth(brno_t_short[,1], brno_t_short[,8], 'normal', bandwidth = 12)
lines(filtr_cervenec, col = 'darkorange', lwd = 3)

# vypoctene honoty filtru (cely cervenec, pouze prvni rok a prvnich deset let)
filtr_cervenec[2]
filtr_cervenec[[2]][1]
filtr_cervenec[[2]][1:10]

# autokorelační funkce
acf(brno_t_cervenec)