# nastaveni cesty

getwd()
setwd("c:/Users/brozoval/Desktop/vyuka/2018/BIMAT/2. cviceni/")

# nacteni balicku

install.packages('vegan')     # pro funkci vegdist
library(vegan)

install.packages('ade4')      # pro funkci dist.binary
library(ade4)

install.packages('magrittr')  # pro funkci "%>%"
library(magrittr)

install.packages("HDMD")      # pro funkci pairwise.mahalanobis
library(HDMD)

#  ------------------------------------------------------------------------
#  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()              					  # standardizuje data

dim(lokality.stan)
round(apply(lokality.stan, 2, mean),1)		 	# prumer promennych je roven 0
apply(lokality.stan, 2, var)			          # rozptyl promennych je roven 1
dim(lokality.stan)					    	          # jedna lokalita vyrazena z analyzy, protoze nebyla zmerena nadmorska vyska

# alternativou je funkce decostand z balicku vegan, tato ponecha v datech puvodni pocet objektu bez ohledu na vyplnenost dat
dim(decostand(lokality,method="standardize",na.rm=TRUE))

########## asociacni matice - Euklidovska vzdalenost
?dist
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
dim(dist.lokality.stan)
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

########## asociacni matice - Mahalanobisova vzdalenost 

# vzdalenost objektu od centroidu
?mahalanobis

lokality.mis <- lokality%>%na.omit()    # odstrani chybejici hodnoty
X <- lokality.mis
X.cov <- var(X)
X.mean <- apply(X,2,mean)
X.mah <- sqrt(mahalanobis(X, X.mean, X.cov))

plot (X.mah)
text(1:28,X.mah+0.1,row.names(lokality.mis)) # lokalita 24 je nejvice vzdalena centroidu = vicerozmerny outlier

# vzdalenosti skupin objektu
?pairwise.mahalanobis

group<-c(rep(1,times=10),rep(2,times=8),rep(3,times=10))
Maha_goup<-pairwise.mahalanobis(X, grouping=group)
D = sqrt(Maha_goup$distance)
D # skupina 3 je od 1 vice vzdalena nez skupina 2

# vzdalenosti dvojic objektu

d <- lokality.mis[1,]-lokality.mis[2,]
Mah <- sum(d*(solve(X.cov,d)))
Mah.fin.1.2 <- sqrt(Mah)

d <- lokality.mis[1,]-lokality.mis[24,]
Mah <- sum(d*(solve(X.cov,d)))
Mah.fin.1.24 <- sqrt(Mah)

Mah.fin.1.2;Mah.fin.1.24 # lokalita 2 je dle svych charakteristik vice podobna lokalite 1 ve srovnani s lokalitou 24

##########
# Priklad 2: Vytvorte asociacni matici abundanci ryb, pouzijte 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
dim(ryby.mis)

?vegdist #jedna z mnoha funkci pro vypocet koeficientu podobnosti/vzdalenosti
?dist.binary # method = 2 pro vypocet simple matching koeficientu

dist.ryby<-vegdist(ryby.mis, "jac", binary=F)  			# vypocet asociacni matice na abundancich(poctech) druhu  = 1 - Sorensenuv asymetricky koeficient podobnosti pro data abundanci
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 a ryby testujeme pomoci mantel testu
?mantel
mantel(dist.lokality.stan,dist.ryby.b, method="spearman", permutations=10000)

# 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.