---
title: "Analiza masowych strzelanin w USA"
output: 
  flexdashboard::flex_dashboard:
    navbar:
      - { title: "V.Sukhovetskyi", 
          href: "https://www.linkedin.com/in/sukhovetskyi", 
          align: right }
    social: menu
    theme: simplex
    source_code: embed
    #orientation: columns
    vertical_layout: scroll
    css: styles.css
---

Przygotawanie danych 
=======================================================================

Row
-----------------------------------------------------------------------
### Opis zbioru danych {data-height=235}

Dane pochodzą z serwisu [Kaggle](https://www.kaggle.com/zusmani/us-mass-shootings-last-50-years) i dotyczą masowych strzelanin w Stanach Zjednoczonych od 1966 do 2017 roku. Stany Zjednoczone były świadkami 398 masowych strzelanin w ciągu ostatnich 50 lat, które doprowadziły do śmierci 1996 osób i 2488 zostało rannych. Ostatnia i najgorsza strzelanina z 2 października 2017 r. w której zostały zabite 58, a rannych 515 osób. Liczba osób rannych w tym ataku jest większa niż włączna liczba osób rannych we wszystkich masowych strzelaninach w 2015 i 2016 roku. Średnia liczba masowych strzelanin rocznie wynosi 7 w ciągu ostatnich 50 lat, które spowodowałyby 39 ofiar śmiertelnych i 48 rannych rocznie.  

**Opis zmiennych:**  

Zbiór danych zawiera nr seryjny, tytuł strzelaniny, lokalizację, datę, podsumowanie napastnika, ofiary śmiertelne, ofiary ranne, ofiary ogółem, problem zdrowia psychicznego, informacje o rasie, współrzędnych geograficznych.   

Także zostały dodane:  

- Miejśce incydentów (gdzie doszło do incydentu),  
- Położenie otwarte / zamknięte (wewnątrz budynku lub otwartej przestrzeni)
- Cel  (potencjalna grupa lub firma), 
- Przyczyna (terroryzm, zbrodnia z nienawiści, zabawa (bez oczywistego powodu itp.),
- Policjant zabity (ilu na służbie zostało zabitych),
- Wiek (wiek strzelca), 
- Zatrudniony (Tak / Nie), 
- Miejsce zatrudnienia (nazwa pracodawcy).


-----------------------------------------------------------------------
### Wczytywanie danych i bibliotek {data-height=235}

```{r echo=TRUE}
library(ggplot2)
library(plotly)
library(plyr)
library(lubridate)
library(manhattanly)
library(flexdashboard)

setwd("E:\\OneDrive\\UW\\5_Advanced_R\\7_markdown\\praca_dom_dash")

dane <- read.csv("Mass Shootings Dataset Ver 5.csv", 
                header = T,
                stringsAsFactors = F)

```

-----------------------------------------------------------------------
### Formatowanie danych {data-height=580}

```{r  echo=TRUE}
dane$Date <- as.Date(dane$Date, format = "%m/%d/%Y")
dane$Year <- year(dane$Date)
dane$Month <- month(dane$Date)
dane$Age <- as.integer(dane$Age)
dane$Employeed..Y.N. <- as.logical(dane$Employeed..Y.N.)

# Standaryzacja poziomów faktora "Gender"
dane$Gender[dane$Gender=="M"] <- "Male"
dane$Gender[dane$Gender=="F"] <- "Female"
dane$Gender[dane$Gender=="M/F"] <- "Male/Female"
dane$Gender <- as.factor(dane$Gender)

# Standaryzacja poziomów faktora "Mental.Health.Issues"
dane$Mental.Health.Issues[dane$Mental.Health.Issues=="Unclear" | dane$Mental.Health.Issues=="unknown"] <- "Unknown"
dane$Mental.Health.Issues <- as.factor(dane$Mental.Health.Issues)

# Standaryzacja poziomów faktora "Race"
dane$Race[dane$Race=="Asian" | dane$Race=="Asian American" | dane$Race=="Asian American/Some other race"] <- "Asian"
dane$Race[dane$Race=="black" | dane$Race=="Black American or African American" | dane$Race=="Black American or African American/Unknown"] <- "Black"
dane$Race[dane$Race=="Native American or Alaska Native"] <- "Native American"
dane$Race[dane$Race=="Some other race" | dane$Race=="Two or more races" | dane$Race=="Unknown" | dane$Race==""] <- "Other"
dane$Race[dane$Race=="white" | dane$Race=="White American or European American" | dane$Race=="White American or European American/Some other Race"] <- "White"
dane$Race <- as.factor(dane$Race)

# Standaryzacja poziomów faktora "Open.Close.Location"
dane$Open.Close.Location[dane$Open.Close.Location==""] <- "Unknown"
dane$Open.Close.Location[dane$Open.Close.Location=="Open+CLose"] <- "Open+Close"
dane$Open.Close.Location <- as.factor(dane$Open.Close.Location)

dane$Cause[dane$Cause==""] <- "unknown"
dane$Cause[dane$Cause=="domestic dispute"] <- "domestic disputer"
dane$Cause <- as.factor(dane$Cause)

```


-----------------------------------------------------------------------
### Struktura danych

```{r}
str(dane)
```




Przejście do następnej strony  [Analiza interaktywna](#wykresy-pudekowe) 
  



Wykresy pudełkowe {data-navmenu="Interaktywna analiza"}
=======================================================================

**Wykresy pudełkowe poszczególnych zmienych**

Row {.tabset .tabset-fade}
-------------------------------------
### Liczba ofiar według rasy
```{r}
plot_ly(data = dane[dane$Title!='Las Vegas Strip mass shooting',],
        type = 'box',
        mode = 'markers', 
        x = ~`Total.victims`,
        color =~Race,
        alpha = 0.9) %>% 
  layout(title = "Liczba ofiar według rasy  (bez  masowej strzelaniny w Las Vegas)",
         showlegend = T,
         xaxis = list(title = "Liczba ofiar"),
         yaxis = list(title = ""))
```

Row {.tabset .tabset-fade}
-----------------------------------------------------------------------

### Wiek

```{r}
library(ggplot2)
library(plotly)
plot_ly(y = ~dane$Age, type = "box", boxpoints = "all", jitter = 0.3,
        pointpos = -1.8)
```

### Ogólna liczba ofiar

```{r}
plot_ly(y = ~dane$Total.victims, type = "box", boxpoints = "all", jitter = 0.3,
        pointpos = -1.8)
```

### Liczba osób rannych

```{r}
plot_ly(y = ~dane$Injured, type = "box", boxpoints = "all", jitter = 0.3,
        pointpos = -1.8)
```

### Liczba osób zabitych

```{r}
plot_ly(y = ~dane$Fatalities, type = "box", boxpoints = "all", jitter = 0.3,
        pointpos = -1.8)
```



Histogramy {data-navmenu="Interaktywna analiza"}
=======================================================================
Column
-------------------------------------  
### Łączna liczba ofiar przez lata
```{r}
plot_ly(data = dane, type = 'bar', mode = 'markers', hoverinfo = 'text',
            x = ~Year,
            y = ~ Total.victims, 
            color = '#7a0101',
            alpha = 0.9,
            text = ~paste( 'Fatalities : ', Fatalities,'\n Injured : ', Injured)) %>% 
        layout(title = "Łączna liczba ofiar przez lata", 
            xaxis = list(title = ""), 
            yaxis = list(title = "Łączna liczba ofiar"))
```

Column{.tabset .tabset-fade}
-------------------------------------  
### Liczba incydentów przez lata
```{r}
plot_ly(data = dane, type = 'histogram', mode = 'markers', x = ~Year, alpha = 0.6) %>% 
      layout(title = "Liczba incydentów przez lata", 
             xaxis = list(title = ""), 
             yaxis = list(title = "Liczba incydentów"))
```

### Liczba incydentów przez miesiące
```{r}
plot_ly(data = dane, type = 'histogram', mode = 'markers', x = ~Month, alpha = 0.6) %>% 
      layout(title = "Liczba incydentów przez miesiące", 
             xaxis = list(title = ""), 
             yaxis = list(title = "Liczba incydentów"))
```

Mapy interaktywne {data-navmenu="Interaktywna analiza"}
=======================================================================

Column
-------------------------------------  
### Mapa zabójstw
```{r}
library(leaflet)
leaflet(data = dane) %>% addProviderTiles(providers$CartoDB.Positron) %>%
  fitBounds(-124, 30, -66, 43) %>%
  addCircles(color="#7a0101", lng = ~Longitude, lat = ~Latitude, weight = 1, 
             radius = ~sqrt(`Injured`) * 30000, popup = ~Summary
  )
```