Zadanie 1

Zadanie: Preveďte dataset predpovedí a pozorovaní teploty počas 5 pracovných dní do čistého formátu takže následne môžete zobraziť farebne rozlíšený vývoj oboch súborov v jednom grafe (čiarový graf s automaticky generovanou legendou). Príkazy použite v reťazi.

Riešenie:

suppressWarnings({ 
  library(tidyr)
  library(tidyverse)
  library(dplyr)
  library(readxl)
  library(ggplot2)
  library(forcats)
})
         
data.frame(den = c("Po", "Ut", "St", "Št", "Pi"), 
           meranie = c(23, 20, 18, 26, 20),
           predpoveď = c(20, 18, 16, 23, 21)
           ) %>%
  mutate(
    den = forcats::as_factor(den) #den = as_factor(den,level = c("Po", "Ut", "St", "Št", "Pi"))
  ) %>%
  pivot_longer(cols = c(`meranie`, `predpoveď`), names_to = "druh", values_to = "teploty") %>%
  print() %>%
  ggplot(mapping = aes(x = den, y = teploty, group = druh, color = druh)) + 
  geom_line()
## # A tibble: 10 × 3
##    den   druh      teploty
##    <fct> <chr>       <dbl>
##  1 Po    meranie        23
##  2 Po    predpoveď      20
##  3 Ut    meranie        20
##  4 Ut    predpoveď      18
##  5 St    meranie        18
##  6 St    predpoveď      16
##  7 Št    meranie        26
##  8 Št    predpoveď      23
##  9 Pi    meranie        20
## 10 Pi    predpoveď      21

Zadanie 2

Zadanie: Importujte súbor údajov iris.xlsx a buď pomocou nástrojov readxl/tidyr alebo pomocou tidyxl/unpivotr ho transformujte do čistého formátu, takže stĺpce obsahujú výlučne hodnoty premenných druh kosatca, typ lupeňa, šírka, dĺžka. Následne v jednom grafe zobrazte vzťah medzi dĺžkou a šírkou s rozlíšením zvyšných premenných pomocou vhodných grafických atribútov (color, shape, …) alebo faziet (facets).

Riešenie:

iris_xlsx <- read_excel("iris.xlsx")
## New names:
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
iris_data1 <- iris_xlsx %>% 
  tail(-2) %>%
  select(-"...3",-"...5")%>%
  dplyr::rename(Sepal = "...2",Druh="Iris dataset, 150 observations, 3 species, 2 flower leaves, 2 dimensions.",Petal = "...4") %>%
  fill(Druh)%>%
  pivot_longer(cols = c(`Sepal`, `Petal`), names_to = 'Druh_lupena', values_to = "Dlžka")  %>%
  mutate(Dlžka = as.numeric(gsub(",", ".", Dlžka)))

iris_data2 <- iris_xlsx %>% 
  tail(-2) %>%
  select(-"...2",-"...4") %>%
  dplyr::rename(Druh="Iris dataset, 150 observations, 3 species, 2 flower leaves, 2 dimensions.",Sepal= "...3",Petal = "...5") %>%
  fill(Druh)%>%
  pivot_longer(cols = c(`Sepal`, `Petal`), names_to = 'Druh_lupena', values_to = "Širka") %>%
  select(-"Druh_lupena",-"Druh")  %>%
  mutate(Širka = as.numeric(gsub(",", ".", Širka)))

iris_data3 <- bind_cols(iris_data1, iris_data2)
iris_data3
## # A tibble: 300 × 4
##    Druh   Druh_lupena Dlžka Širka
##    <chr>  <chr>       <dbl> <dbl>
##  1 setosa Sepal         5.1   3.5
##  2 setosa Petal         1.4   0.2
##  3 setosa Sepal         4.9   3  
##  4 setosa Petal         1.4   0.2
##  5 setosa Sepal         4.7   3.2
##  6 setosa Petal         1.3   0.2
##  7 setosa Sepal         4.6   3.1
##  8 setosa Petal         1.5   0.2
##  9 setosa Sepal         5     3.6
## 10 setosa Petal         1.4   0.2
## # ℹ 290 more rows
g <- ggplot(data = iris_data3, aes(x = Širka, y = Dlžka))
g + geom_point(aes(colour = Druh, size = Druh_lupena)) + labs(title = "Šírka a dĺžka okvrtneho listka podľa druhov")
## Warning: Using size for a discrete variable is not advised.