install.packages(c('vegan', 'gclus', 'cluster', 'vegan', 'ade4'))

library(gclus)
library(cluster)
library(vegan)
library(ade4)



# nastaveni cesty

getwd()
setwd("f:/Prace/Vyuka/FSTA_2015/03_cviceni")
dir()

mesta<-read.table('HraniceCR_point.csv', sep=";", header=TRUE, dec=".")

ryby<-read.table('ryby.csv', sep=";", header=TRUE, dec=".")
lokality<-read.table('lokality.csv', sep=";", header=TRUE, dec=".")

#  ------------------------------------------------------------------------

# Asociacni matice --------------------------------------------------------

#  ------------------------------------------------------------------------



# Priklad 1: Vytvorte asociacni matici pro 10 ceskych mest na zaklade 
# euklidovske vzdalenosti


names(mesta)

plot(mesta$X_JTSK, mesta$města) # graf mest v CR

plot(mesta$X_JTSK, mesta$Y_JTSK) # mapa CR
points(mesta$X_JTSK, mesta$města, col="red")

?dist
dist.mesta<-dist(mesta[1:10,c(2,4)],method='euclidean') # matice vzdalenosti, pouzita funkce dist

dist.mesta 
dist.mesta<-as.data.frame(as.matrix(dist.mesta)) # doplneni na ctvercovou matici a pak prevedeni na tabulku

rownames(dist.mesta)<-mesta[1:10,1] # pridani nazvu radku
colnames(dist.mesta)<-t(mesta[1:10,1]) #pridani nazvu sloupcu
dist.mesta

write.table(dist.mesta, file="dist.mesta.csv", sep=";") # ulozeni matice


# Priklad 2: Vytvorte asociacni matici pro datovy soubor lokality, v pripade potreby pouzijte vhodnou transformaci

class(lokality)     # jaky typ objektu lokality jsou
lokality<-as.data.frame(lokality)   #prevedni na datovou tabulku, aby bylo moyne s tabulkou dale pracovat
data.entry(lokality)
summary(lokality)

dist.lokality<-dist(lokality,method='euclidean') # vypocet asociacni matice

?decostand
lokality.stan<-decostand(lokality, "standardize") #standardizace souboru
summary(lokality.stan)

dist.lokality.stan<-dist(lokality.stan,method='euclidean') # vypocet asociacni matice na standardizovanych datech

write.table(as.data.frame(as.matrix(dist.lokality.stan)), file="ryby.csv", sep=";")  # ulozeni matice

# Ukol 1: Vytvorte asociacni matici pro prvnich deset lokalit ze souboru lokality zalozenou na promennych pH, nit, amm, oxy, dbo,
# na zaklade euklidovske vzdalenosti.

# Reseni



# Priklad 3: Vytvorte asociacni matici nadruhovych datech ryby, pozijte vhodny asociacni koeficient

?vegdist #jedna z mnoha funkci jenz se da vyuzit na vypocet asociacni matice

dist.ryby<-vegdist(ryby, "jac")  # vypocet asociacni matice na abundancich druhu, poctech 
dist.ryby.b<-vegdist(ryby, "jac", binary=T)  #vypocet asociacni matice na pritomnosti druhu, pocty byly prevdeny na binarky  

write.table(as.data.frame(as.matrix(dist.ryby.b)), file="ryby.csv", sep=";")  # ulozeni matice


# Priklad 4: Definujte podobna mesta z matice dist.mesta. 
# Reseni: Graficky vykreslime asociacni matici dist.mesta

dist.mesta<-dist(mesta[1:10,c(2,4)],method='euclidean') # vypocet asociacni matice
mesta[1:10,]
coldiss (dist.mesta, diag=TRUE)


# Dalsi funkce pro vypocet asociacnich matic ------------------------------

?dist.binary
?daisy


# Vypocet Mantelova testu  ------------------------------------------------

# Ukol 2: Zjistete zda matice v ve slozce mantel test spolu koreluji.

# Reseni:

setwd("f:/Prace/Vyuka/FSTA_2015/03_cviceni/mantel test") # nastaveni cesty
getwd()


listMatice<-list()  # vytvoreni objektu list

listMatice[[1]] <- list(m1=as.dist(read.table("m1.txt"))) #nacteni matic do objektu, primo ze slozky
listMatice[[2]] <- list(m1=as.dist(read.table("m2.txt")))
listMatice[[3]] <- list(m1=as.dist(read.table("m3.txt")))
listMatice[[4]] <- list(m1=as.dist(read.table("m4.txt")))
listMatice[[5]] <- list(m1=as.dist(read.table("m5.txt")))
listMatice[[6]] <- list(m1=as.dist(read.table("m6.txt")))
listMatice[[7]] <- list(m1=as.dist(read.table("m7.txt")))

?mantel
xxx<-mantel(listMatice[[1]]$m1, listMatice[[2]]$m1, method="spearman", permutations=1000) # ukazka vypoctu pro dve matice, 
                                                                                          # nastaven Spearmanuv korelacni koeficient 
xxx # podle hodnoty korelacniho indexu a statisticke vyznanosti, lze videt, ze matice spolu nesouviseji 
                                                                                                  


# Ukazka vypoctu pro vsechny uvedene matice --------------------------------

listMatice
corelace <- array(0, dim=c(7,7))
p <- array(0, dim=c(7,7))
for (i in 1:7){
  for (j in 1:7) {
    listMatice[[i]]$m1
    xxx<-mantel(listMatice[[i]]$m1, listMatice[[j]]$m1, method="spearman", permutations=1000)
    corelace[i,j]<-xxx$statistic
    p[i,j]<-xxx$signif
  }
}
corelace
p

# Ukol: Zjistete zda spolu souvisi podobnost loklait a slozeni spolecenstev na lokalitach.

# Reseni: Zavislost matic lokality.stan a  dist.ryby.b testujeme poci mantel testu

mantel(dist.lokality.stan,dist.ryby.b, method="spearman", permutations=1000)

#Matice spolu souviseji, exisuje vztah mezi spolecenstvy a lokalitami 



#  ------------------------------------------------------------------------

# Shlukova analyza --------------------------------------------------------

#  ------------------------------------------------------------------------


# Priklad 5: Provedte shlukovou analyzu na datech lokality.csv.

?hclust
dist.lokality.single<-hclust(dist.lokality, method="single") # provede shlukovou analyzu pomoci algoritmu single linkage/metoda nejblisiho souseda 
plot(dist.lokality.single) # vykresli dendrogram, zde je otazka do kolika shluku dana data rozdelit(moznosti jsou 2 x 4 )

dist.lokality.com<-hclust(dist.lokality, method="complete") # provede shlukovou analyzu pomoci algoritmu complete linkage/metoda nejvzdalenejsiho souseda 
plot(dist.lokality.com) # vykresli dendrogram, zde je otazka do kolika shluku dana data rozdelit(moznosti jsou 2 x 4 x 5 x .... )

?cutree # funkce ktera nam vztvori sloupecek prirazeni objektu do shluku
# Algoritmus nejblizsiho souseda
dist.lokality.single.cut<-cutree(dist.lokality.single, k=4) # ziskame vektor prirazeni objektu do shluku
lokality$single.4<-cutree(dist.lokality.single, k=4) #vlozime si ho k datum, dale jiz muzeme postupovat pomoci kasicke statistiky a pouzivat testy

# Algoritmus nejvzdalenejsiho souseda
dist.lokality.com.cut<-cutree(dist.lokality.com, k=5) # ziskame vektor prirazeni objektu do shluku
lokality$complete.5<-cutree(dist.lokality.com, k=5) #vlozime si ho k datum, dale jiz muzeme postupovat pomoci kasicke statistiky a pouzivat testy


## Vytvoreni hezciho grafu
?reorder.hclust
dist.lokality.single.reor<-reorder.hclust(dist.lokality.single,dist.lokality) # seradi lokality

plot(dist.lokality.single.reor) # vykresli serazeny dendrogram
plot(dist.lokality.single.reor, hang=-1) # uprava dendrogramu
rect.hclust(dist.lokality.single.reor, k=4) # rozdeli dentdrogram do k shluku

 

#  ------------------------------------------------------------------------

# Validace shlukove analyzy -----------------------------------------------

# 1)Pomoci kofenetickeho indexu - korelce mezi puvodni matici vzdalenosti a kofenetickou matici, ktra predstavuje matici vzdalenosti 
#   objektu v okamziku, kdy byl objekt poprve zarazen do shluku.   

dist.lokality.single.cop<-cophenetic(dist.lokality.single) # vypocet kofeneticke matice
cor (dist.lokality.single.cop,dist.lokality)  #vypocet korelacniho indexu. Neni uvedena p-hondota 
                                              #-> nelze interpretovat statistickou vyznamnost -> matice jsou na sobe zavisle