# nastaveni cesty

getwd()
setwd("c:/Users/brozova/Desktop/2. cviceni/")

# nacteni balicku
install.packages("magrittr")
install.packages('vegan')

library("magrittr")
library(vegan)

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

##########
# Priklad 1: Vytvorte asociacni matici pro datovy soubor lokality. V pripade potreby pouzijte vhodnou standardizaci.
##########

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

head(lokality,10)
dim(lokality)
is(lokality)
names(lokality)

row.names(lokality)<-lokality[,1]				# ulozeni nazvu lokalit do nazvu radku
lokality<-lokality[,-1]
head(lokality,10)

########## standardizace
summary(lokality)							# promenne maji odlisny rozsah, data je potreba standardizovat
lokality.stan <- lokality%>%
  na.omit() %>%          					# odstrani chybejici hodnoty
  scale()
summary(lokality.stan)					 	# prumer promennych je roven 0
var(lokality.stan[,2])					  	# rozptyl promennych je roven 1
dim(lokality.stan)						# jedna lokalita vyrazena z analyzy, protoze nebylo zmereno pH

########## asociacni matice
dist.lokality.stan<-dist(lokality.stan,method='euclidean')	# vypocet asociacni matice
dist.lokality.stan							# pouze horni/dolni trojuhelnikova matice
dist.lokality.stan<-as.data.frame(as.matrix(dist.lokality.stan))# doplneni na ctvercovou matici a pak prevedeni na tabulku
dist.lokality.stan
rownames(dist.lokality.stan)<-row.names(lokality)[which(is.na(lokality$pH)==F)]	# pridani nazvu radku
colnames(dist.lokality.stan)<-t(row.names(lokality))[which(is.na(lokality$pH)==F)]	# pridani nazvu sloupcu
head(dist.lokality.stan)

write.table(dist.lokality.stan, file="dist.lokality.stan.csv", sep=";")  # ulozeni matice - format csv
write.table(dist.lokality.stan, file="dist.lokality.stan.txt", sep="\t")  # ulozeni matice - format txt

##########
# Priklad 2: Vytvorte asociacni matici abundanci ryb, pozijte vhodny asociacni koeficient.
##########

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

head(ryby,10)
dim(ryby)
is(ryby)
names(ryby)

row.names(ryby)<-ryby[,1]					# ulozeni nazvu lokalit do nazvu radku
ryby<-ryby[,-1]
head(ryby,10)

summary(ryby)
ryby.mis <- ryby%>% na.omit()       			# odstrani chybejici hodnot

?vegdist #jedna z mnoha funkci pro vypocet asociacni matice

dist.ryby<-vegdist(ryby.mis, "jac")  			# vypocet asociacni matice na abundancich(poctech) druhu  = 1 - Sorensenův asymetrický koeficient podobnosti pro data abundancí
dist.ryby.b<-vegdist(ryby.mis, "jac", binary=T)		# vypocet asociacni matice na ne/pritomnosti druhu (binarnich prom.) = 1 - Jaccard 
dist.ryby.b<-as.data.frame(as.matrix(dist.ryby.b))	# doplneni na ctvercovou matici a pak prevedeni na tabulku
dist.ryby.b								#POZOR!!!! Podobnosti jsou pomoci funkce 1-podobnost prevadeny na vzdalenosti!!! (na diagonale jsou nuly)

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

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

##########
# Priklad 3: Zjistete zda spolu souvisi fyzicko-chemicke charakteristiky lokalit a slozeni spolecenstev na lokalitach.
##########

# Reseni: Zavislost matic lokality.stan a ryby testujeme pomoci mantel testu
?mantel
mantel(dist.lokality.stan,dist.ryby.b, method="spearman", permutations=1000)

# Asociacni matice jsou statisticky vyznamne korelovany (p < 0.05).
# Koeficient korelace > 0 -> kladna korelace -> cim vice jsou lokality odlisne na zaklade charakteristik prostredi, 
# tim vice se lisi abundanci ryb a naopak cim podobnejsi si jsou lokality na zaklade charakteristik prostredi, tim podobnejsi 
# si jsou na zaklade vyskytu zivocisnych druhu.