Dezynfekcja

---

Katarzyna Smoter

kierunek: geoinformacja

wydział: Geodecji Górniczej i Inżynierii Środowiska

---

1. Wczytanie danych do R

Za pomocą poniższych poleceń wczytałam dane do R, a także potrzebne przy dalszej pracy pakiety.

library(openxlsx)
library(readxl)
library(tidyverse)
library(DT)
library(corrplot)
library(Hmisc)
library(plotly)
library(heatmaply)
library(scatterplot3d)

chzt <- read_excel("C:/Users/Inni/Desktop/R2/chzt.xlsx")
chzt_2 <- read_excel("C:/Users/Inni/Desktop/R2/chzt_2.xlsx")
ludzie_wchodza <- read_excel("C:/Users/Inni/Desktop/R2/ludzie_wchodza.xlsx")
ludzie_wchodza_2 <- read_excel("C:/Users/Inni/Desktop/R2/ludzie_wchodza_2.xlsx")
NH4 <- read_excel("C:/Users/Inni/Desktop/R2/NH4.xlsx")
NH4_2 <- read_excel("C:/Users/Inni/Desktop/R2/NH4_2.xlsx")
ogolna_liczba_grzybow_i_plesni <- read_excel("C:/Users/Inni/Desktop/R2/ogolna_liczba_grzybow_i_plesni.xlsx")
ogolna_liczba_grzybow_i_plesni_2 <- read_excel("C:/Users/Inni/Desktop/R2/ogolna_liczba_grzybow_i_plesni_2.xlsx")
ogolna_liczba_mikroorganizmow <- read_excel("C:/Users/Inni/Desktop/R2/ogolna_liczba_mikroorganizmow.xlsx")
ogolna_liczba_mikroorganizmow_2 <- read_excel("C:/Users/Inni/Desktop/R2/ogolna_liczba_mikroorganizmow_2.xlsx")
PEW <- read_excel("C:/Users/Inni/Desktop/R2/PEW.xlsx")
PEW_2 <- read_excel("C:/Users/Inni/Desktop/R2/PEW_2.xlsx")
stezenie_dezynfekanta <- read_excel("C:/Users/Inni/Desktop/R2/stezenie_dezynfekanta.xlsx")
stezenie_dezynfekanta_2 <- read_excel("C:/Users/Inni/Desktop/R2/stezenie_dezynfekanta_2.xlsx")
suma_ludzi_wchodzacych <- read_excel("C:/Users/Inni/Desktop/R2/suma_ludzi_wchodzacych.xlsx")
suma_ludzi_wchodzacych_2 <- read_excel("C:/Users/Inni/Desktop/R2/suma_ludzi_wchodzacych_2.xlsx")
UV <- read_excel("C:/Users/Inni/Desktop/R2/UV.xlsx")
UV_2 <- read_excel("C:/Users/Inni/Desktop/R2/UV_2.xlsx")

Następnie wczytane dane (18 tabel) połączyłam w dwie tabele. Pierwsza tabela zawiera podział na podchloran sodu, a druga ze względu na dwutlenek chloru .

dane_ps <- cbind(chzt[,-2], ludzie_wchodza[,c(-1,-2)], NH4[,c(-1,-2)], ... = ogolna_liczba_grzybow_i_plesni[,c(-1,-2)],
                 ogolna_liczba_mikroorganizmow[,c(-1,-2)], PEW[,c(-1,-2)], stezenie_dezynfekanta[,c(-1,-2)],
                 suma_ludzi_wchodzacych[,c(-1,-2)], UV[,c(-1,-2)])

dane_dc <- cbind(chzt_2, ludzie_wchodza_2, NH4_2, ogolna_liczba_grzybow_i_plesni_2,
                 ogolna_liczba_mikroorganizmow_2, PEW_2, stezenie_dezynfekanta_2,
                 suma_ludzi_wchodzacych_2, UV_2)

DT::datatable(dane_ps, caption = "Tabela z podziałem ze względu na podchloran sodu", options = list(scrollX=TRUE))

---

DT::datatable(dane_dc, caption = "Tabela z podziałem ze względu na dwutlenek chloru", options = list(scrollX=TRUE))

---

Następnie wykonywałam dla każdej tabeli transpozycję (zmianę wierszy z kolumnami), wycinałam iteresujące mnie dane i liczyłam średnią dla każdego czasu (0,15,30,45…90) od 5 prób. Na koniec dane ponownie transponowałam. Utworzone skrócone dane (pojedyncze kolumny) połączyłam w 2 tabele.

##chzt
as.data.frame(t(chzt)) ->chzt_ok
chzt_ok<- chzt_ok[c(3:7), c(1:7)]

chzt_ok%>%
  summarise(
    chzt_v1mean=mean(chzt_ok$V1, na.rm=T),
    chzt_v2mean=mean(chzt_ok$V2, na.rm=T),
    chzt_v3mean=mean(chzt_ok$V3, na.rm=T),
    chzt_v4mean=mean(chzt_ok$V4, na.rm=T),
    chzt_v5mean=mean(chzt_ok$V5, na.rm=T),
    chzt_v6mean=mean(chzt_ok$V6, na.rm=T),
    chzt_v7mean=mean(chzt_ok$V7, na.rm=T),
  ) ->chzt_mean1
as.data.frame(t(chzt_mean1)) ->chzt_mean1
##ludzie wchodza
as.data.frame(t(ludzie_wchodza)) ->ludzie_wchodza_ok
ludzie_wchodza_ok<- ludzie_wchodza_ok[c(3:7), c(1:7)]

ludzie_wchodza_ok%>%
  summarise(
    ludzie_wchodza_v1mean=mean(ludzie_wchodza_ok$V1, na.rm=T),
    ludzie_wchodza_v2mean=mean(ludzie_wchodza_ok$V2, na.rm=T),
    ludzie_wchodza_v3mean=mean(ludzie_wchodza_ok$V3, na.rm=T),
    ludzie_wchodza_v4mean=mean(ludzie_wchodza_ok$V4, na.rm=T),
    ludzie_wchodza_v5mean=mean(ludzie_wchodza_ok$V5, na.rm=T),
    ludzie_wchodza_v6mean=mean(ludzie_wchodza_ok$V6, na.rm=T),
    ludzie_wchodza_v7mean=mean(ludzie_wchodza_ok$V7, na.rm=T),
  ) ->ludzie_wchodza_mean1
as.data.frame(t(ludzie_wchodza_mean1)) ->ludzie_wchodza_mean1
##NH4
as.data.frame(t(NH4)) ->NH4_ok
NH4_ok<- NH4_ok[c(3:7), c(1:7)]

NH4_ok%>%
  summarise(
    NH4_v1mean=mean(NH4_ok$V1, na.rm=T),
    NH4_v2mean=mean(NH4_ok$V2, na.rm=T),
    NH4_v3mean=mean(NH4_ok$V3, na.rm=T),
    NH4_v4mean=mean(NH4_ok$V4, na.rm=T),
    NH4_v5mean=mean(NH4_ok$V5, na.rm=T),
    NH4_v6mean=mean(NH4_ok$V6, na.rm=T),
    NH4_v7mean=mean(NH4_ok$V7, na.rm=T),
  ) ->NH4_mean1
as.data.frame(t(NH4_mean1)) ->NH4_mean1

##ogolna_liczba_grzybow_i_plesni
as.data.frame(t(ogolna_liczba_grzybow_i_plesni)) ->ogolna_liczba_grzybow_i_plesni_ok
ogolna_liczba_grzybow_i_plesni_ok<- ogolna_liczba_grzybow_i_plesni_ok[c(3:7), c(1:7)]

ogolna_liczba_grzybow_i_plesni_ok%>%
  summarise(
    ogolna_liczba_grzybow_i_plesni_v1mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V1, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_v2mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V2, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_v3mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V3, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_v4mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V4, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_v5mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V5, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_v6mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V6, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_v7mean=mean(ogolna_liczba_grzybow_i_plesni_ok$V7, na.rm=T),
  ) ->ogolna_liczba_grzybow_i_plesni_mean1
as.data.frame(t(ogolna_liczba_grzybow_i_plesni_mean1)) ->ogolna_liczba_grzybow_i_plesni_mean1

##ogolna_liczba_mikroorganizmow
as.data.frame(t(ogolna_liczba_mikroorganizmow)) ->ogolna_liczba_mikroorganizmow_ok
ogolna_liczba_mikroorganizmow_ok<- ogolna_liczba_mikroorganizmow_ok[c(3:7), c(1:7)]

ogolna_liczba_mikroorganizmow_ok%>%
  summarise(
    ogolna_liczba_mikroorganizmow_v1mean=mean(ogolna_liczba_mikroorganizmow_ok$V1, na.rm=T),
    ogolna_liczba_mikroorganizmow_v2mean=mean(ogolna_liczba_mikroorganizmow_ok$V2, na.rm=T),
    ogolna_liczba_mikroorganizmow_v3mean=mean(ogolna_liczba_mikroorganizmow_ok$V3, na.rm=T),
    ogolna_liczba_mikroorganizmow_v4mean=mean(ogolna_liczba_mikroorganizmow_ok$V4, na.rm=T),
    ogolna_liczba_mikroorganizmow_v5mean=mean(ogolna_liczba_mikroorganizmow_ok$V5, na.rm=T),
    ogolna_liczba_mikroorganizmow_v6mean=mean(ogolna_liczba_mikroorganizmow_ok$V6, na.rm=T),
    ogolna_liczba_mikroorganizmow_v7mean=mean(ogolna_liczba_mikroorganizmow_ok$V7, na.rm=T),
  ) ->ogolna_liczba_mikroorganizmow_mean1
as.data.frame(t(ogolna_liczba_mikroorganizmow_mean1)) ->ogolna_liczba_mikroorganizmow_mean1

##PEW
as.data.frame(t(PEW)) ->PEW_ok
PEW_ok<- PEW_ok[c(3:7), c(1:7)]

PEW_ok%>%
  summarise(
    PEW_v1mean=mean(PEW_ok$V1, na.rm=T),
    PEW_v2mean=mean(PEW_ok$V2, na.rm=T),
    PEW_v3mean=mean(PEW_ok$V3, na.rm=T),
    PEW_v4mean=mean(PEW_ok$V4, na.rm=T),
    PEW_v5mean=mean(PEW_ok$V5, na.rm=T),
    PEW_v6mean=mean(PEW_ok$V6, na.rm=T),
    PEW_v7mean=mean(PEW_ok$V7, na.rm=T),
  ) ->PEW_mean1
as.data.frame(t(PEW_mean1)) ->PEW_mean1

##stezenie_dezynfekanta
as.data.frame(t(stezenie_dezynfekanta)) ->stezenie_dezynfekanta_ok
stezenie_dezynfekanta_ok<- stezenie_dezynfekanta_ok[c(3:7), c(1:7)]

stezenie_dezynfekanta_ok%>%
  summarise(
    stezenie_dezynfekanta_v1mean=mean(stezenie_dezynfekanta_ok$V1, na.rm=T),
    stezenie_dezynfekanta_v2mean=mean(stezenie_dezynfekanta_ok$V2, na.rm=T),
    stezenie_dezynfekanta_v3mean=mean(stezenie_dezynfekanta_ok$V3, na.rm=T),
    stezenie_dezynfekanta_v4mean=mean(stezenie_dezynfekanta_ok$V4, na.rm=T),
    stezenie_dezynfekanta_v5mean=mean(stezenie_dezynfekanta_ok$V5, na.rm=T),
    stezenie_dezynfekanta_v6mean=mean(stezenie_dezynfekanta_ok$V6, na.rm=T),
    stezenie_dezynfekanta_v7mean=mean(stezenie_dezynfekanta_ok$V7, na.rm=T),
  ) ->stezenie_dezynfekanta_mean1
as.data.frame(t(stezenie_dezynfekanta_mean1)) ->stezenie_dezynfekanta_mean1

##suma_ludzi_wchodzacych
as.data.frame(t(suma_ludzi_wchodzacych)) ->suma_ludzi_wchodzacych_ok
suma_ludzi_wchodzacych_ok<- suma_ludzi_wchodzacych_ok[c(3:7), c(1:7)]

suma_ludzi_wchodzacych%>%
  summarise(
    suma_ludzi_wchodzacych_v1mean=mean(suma_ludzi_wchodzacych_ok$V1, na.rm=T),
    suma_ludzi_wchodzacych_v2mean=mean(suma_ludzi_wchodzacych_ok$V2, na.rm=T),
    suma_ludzi_wchodzacych_v3mean=mean(suma_ludzi_wchodzacych_ok$V3, na.rm=T),
    suma_ludzi_wchodzacych_v4mean=mean(suma_ludzi_wchodzacych_ok$V4, na.rm=T),
    suma_ludzi_wchodzacych_v5mean=mean(suma_ludzi_wchodzacych_ok$V5, na.rm=T),
    suma_ludzi_wchodzacych_v6mean=mean(suma_ludzi_wchodzacych_ok$V6, na.rm=T),
    suma_ludzi_wchodzacych_v7mean=mean(suma_ludzi_wchodzacych_ok$V7, na.rm=T),
  ) ->suma_ludzi_wchodzacych_mean1
as.data.frame(t(suma_ludzi_wchodzacych_mean1)) ->suma_ludzi_wchodzacych_mean1

##UV
as.data.frame(t(UV)) ->UV_ok
UV_ok<- UV_ok[c(3:7), c(1:7)]

UV_ok%>%
  summarise(
    UV_v1mean=mean(UV_ok$V1, na.rm=T),
    UV_v2mean=mean(UV_ok$V2, na.rm=T),
    UV_v3mean=mean(UV_ok$V3, na.rm=T),
    UV_v4mean=mean(UV_ok$V4, na.rm=T),
    UV_v5mean=mean(UV_ok$V5, na.rm=T),
    UV_v6mean=mean(UV_ok$V6, na.rm=T),
    UV_v7mean=mean(UV_ok$V7, na.rm=T),
  ) ->UV_mean1
as.data.frame(t(UV_mean1)) ->UV_mean1

dane_ps_skr <- cbind(chzt_mean1, ludzie_wchodza_mean1, NH4_mean1, ogolna_liczba_grzybow_i_plesni_mean1,
                     ogolna_liczba_mikroorganizmow_mean1, PEW_mean1, stezenie_dezynfekanta_mean1,
                     suma_ludzi_wchodzacych_mean1, UV_mean1)

colnames(dane_ps_skr) <- c("chztps","pslw","nhps","gps","mps","pewps","ps","psslw","pewpsuv")
rownames(dane_ps_skr) <- c("time 0","time 15","time 30","time 45","time 60","time 75","time 90")

##chzt_2
as.data.frame(t(chzt_2)) ->chzt_2_ok
chzt_2_ok<- chzt_2_ok[c(3:7), c(1:7)]

chzt_2_ok%>%
  summarise(
    chzt_2_v1mean=mean(chzt_2_ok$V1, na.rm=T),
    chzt_2_v2mean=mean(chzt_2_ok$V2, na.rm=T),
    chzt_2_v3mean=mean(chzt_2_ok$V3, na.rm=T),
    chzt_2_v4mean=mean(chzt_2_ok$V4, na.rm=T),
    chzt_2_v5mean=mean(chzt_2_ok$V5, na.rm=T),
    chzt_2_v6mean=mean(chzt_2_ok$V6, na.rm=T),
    chzt_2_v7mean=mean(chzt_2_ok$V7, na.rm=T),
  ) ->chzt_2_mean1
as.data.frame(t(chzt_2_mean1)) ->chzt_2_mean1
##ludzie wchodza_2
as.data.frame(t(ludzie_wchodza_2)) ->ludzie_wchodza_2_ok
ludzie_wchodza_2_ok<- ludzie_wchodza_2_ok[c(3:7), c(1:7)]

ludzie_wchodza_2_ok%>%
  summarise(
    ludzie_wchodza_2_v1mean=mean(ludzie_wchodza_2_ok$V1, na.rm=T),
    ludzie_wchodza_2_v2mean=mean(ludzie_wchodza_2_ok$V2, na.rm=T),
    ludzie_wchodza_2_v3mean=mean(ludzie_wchodza_2_ok$V3, na.rm=T),
    ludzie_wchodza_2_v4mean=mean(ludzie_wchodza_2_ok$V4, na.rm=T),
    ludzie_wchodza_2_v5mean=mean(ludzie_wchodza_2_ok$V5, na.rm=T),
    ludzie_wchodza_2_v6mean=mean(ludzie_wchodza_2_ok$V6, na.rm=T),
    ludzie_wchodza_2_v7mean=mean(ludzie_wchodza_2_ok$V7, na.rm=T),
  ) ->ludzie_wchodza_2_mean1
as.data.frame(t(ludzie_wchodza_2_mean1)) ->ludzie_wchodza_2_mean1
##NH4_2
as.data.frame(t(NH4_2)) ->NH4_2_ok
NH4_2_ok<- NH4_2_ok[c(3:7), c(1:7)]

NH4_2_ok%>%
  summarise(
    NH4_2_v1mean=mean(NH4_2_ok$V1, na.rm=T),
    NH4_2_v2mean=mean(NH4_2_ok$V2, na.rm=T),
    NH4_2_v3mean=mean(NH4_2_ok$V3, na.rm=T),
    NH4_2_v4mean=mean(NH4_2_ok$V4, na.rm=T),
    NH4_2_v5mean=mean(NH4_2_ok$V5, na.rm=T),
    NH4_2_v6mean=mean(NH4_2_ok$V6, na.rm=T),
    NH4_2_v7mean=mean(NH4_2_ok$V7, na.rm=T),
  ) ->NH4_2_mean1
as.data.frame(t(NH4_2_mean1)) ->NH4_2_mean1

##ogolna_liczba_grzybow_i_plesni_2
as.data.frame(t(ogolna_liczba_grzybow_i_plesni_2)) ->ogolna_liczba_grzybow_i_plesni_2_ok
ogolna_liczba_grzybow_i_plesni_2_ok<- ogolna_liczba_grzybow_i_plesni_2_ok[c(3:7), c(1:7)]

ogolna_liczba_grzybow_i_plesni_2_ok%>%
  summarise(
    ogolna_liczba_grzybow_i_plesni_2_v1mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V1, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_2_v2mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V2, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_2_v3mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V3, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_2_v4mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V4, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_2_v5mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V5, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_2_v6mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V6, na.rm=T),
    ogolna_liczba_grzybow_i_plesni_2_v7mean=mean(ogolna_liczba_grzybow_i_plesni_2_ok$V7, na.rm=T),
  ) ->ogolna_liczba_grzybow_i_plesni_2_mean1
as.data.frame(t(ogolna_liczba_grzybow_i_plesni_2_mean1)) ->ogolna_liczba_grzybow_i_plesni_2_mean1

##ogolna_liczba_mikroorganizmow_2
as.data.frame(t(ogolna_liczba_mikroorganizmow_2)) ->ogolna_liczba_mikroorganizmow_2_ok
ogolna_liczba_mikroorganizmow_2_ok<- ogolna_liczba_mikroorganizmow_2_ok[c(3:7), c(1:7)]

ogolna_liczba_mikroorganizmow_2_ok%>%
  summarise(
    ogolna_liczba_mikroorganizmow_2_v1mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V1, na.rm=T),
    ogolna_liczba_mikroorganizmow_2_v2mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V2, na.rm=T),
    ogolna_liczba_mikroorganizmow_2_v3mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V3, na.rm=T),
    ogolna_liczba_mikroorganizmow_2_v4mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V4, na.rm=T),
    ogolna_liczba_mikroorganizmow_2_v5mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V5, na.rm=T),
    ogolna_liczba_mikroorganizmow_2_v6mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V6, na.rm=T),
    ogolna_liczba_mikroorganizmow_2_v7mean=mean(ogolna_liczba_mikroorganizmow_2_ok$V7, na.rm=T),
  ) ->ogolna_liczba_mikroorganizmow_2_mean1
as.data.frame(t(ogolna_liczba_mikroorganizmow_2_mean1)) ->ogolna_liczba_mikroorganizmow_2_mean1

##PEW_2
as.data.frame(t(PEW_2)) ->PEW_2_ok
PEW_2_ok<- PEW_2_ok[c(3:7), c(1:7)]

PEW_2_ok%>%
  summarise(
    PEW_2_v1mean=mean(PEW_2_ok$V1, na.rm=T),
    PEW_2_v2mean=mean(PEW_2_ok$V2, na.rm=T),
    PEW_2_v3mean=mean(PEW_2_ok$V3, na.rm=T),
    PEW_2_v4mean=mean(PEW_2_ok$V4, na.rm=T),
    PEW_2_v5mean=mean(PEW_2_ok$V5, na.rm=T),
    PEW_2_v6mean=mean(PEW_2_ok$V6, na.rm=T),
    PEW_2_v7mean=mean(PEW_2_ok$V7, na.rm=T),
  ) ->PEW_2_mean1
as.data.frame(t(PEW_2_mean1)) ->PEW_2_mean1

##stezenie_dezynfekanta_2
as.data.frame(t(stezenie_dezynfekanta_2)) ->stezenie_dezynfekanta_2_ok
stezenie_dezynfekanta_2_ok<- stezenie_dezynfekanta_2_ok[c(3:7), c(1:7)]

stezenie_dezynfekanta_2_ok%>%
  summarise(
    stezenie_dezynfekanta_2_v1mean=mean(stezenie_dezynfekanta_2_ok$V1, na.rm=T),
    stezenie_dezynfekanta_2_v2mean=mean(stezenie_dezynfekanta_2_ok$V2, na.rm=T),
    stezenie_dezynfekanta_2_v3mean=mean(stezenie_dezynfekanta_2_ok$V3, na.rm=T),
    stezenie_dezynfekanta_2_v4mean=mean(stezenie_dezynfekanta_2_ok$V4, na.rm=T),
    stezenie_dezynfekanta_2_v5mean=mean(stezenie_dezynfekanta_2_ok$V5, na.rm=T),
    stezenie_dezynfekanta_2_v6mean=mean(stezenie_dezynfekanta_2_ok$V6, na.rm=T),
    stezenie_dezynfekanta_2_v7mean=mean(stezenie_dezynfekanta_2_ok$V7, na.rm=T),
  ) ->stezenie_dezynfekanta_2_mean1
as.data.frame(t(stezenie_dezynfekanta_2_mean1)) ->stezenie_dezynfekanta_2_mean1

##suma_ludzi_wchodzacych_2
as.data.frame(t(suma_ludzi_wchodzacych_2)) ->suma_ludzi_wchodzacych_2_ok
suma_ludzi_wchodzacych_2_ok<- suma_ludzi_wchodzacych_2_ok[c(3:7), c(1:7)]

suma_ludzi_wchodzacych_2%>%
  summarise(
    suma_ludzi_wchodzacych_2_v1mean=mean(suma_ludzi_wchodzacych_2_ok$V1, na.rm=T),
    suma_ludzi_wchodzacych_2_v2mean=mean(suma_ludzi_wchodzacych_2_ok$V2, na.rm=T),
    suma_ludzi_wchodzacych_2_v3mean=mean(suma_ludzi_wchodzacych_2_ok$V3, na.rm=T),
    suma_ludzi_wchodzacych_2_v4mean=mean(suma_ludzi_wchodzacych_2_ok$V4, na.rm=T),
    suma_ludzi_wchodzacych_2_v5mean=mean(suma_ludzi_wchodzacych_2_ok$V5, na.rm=T),
    suma_ludzi_wchodzacych_2_v6mean=mean(suma_ludzi_wchodzacych_2_ok$V6, na.rm=T),
    suma_ludzi_wchodzacych_2_v7mean=mean(suma_ludzi_wchodzacych_2_ok$V7, na.rm=T),
  ) ->suma_ludzi_wchodzacych_2_mean1
as.data.frame(t(suma_ludzi_wchodzacych_2_mean1)) ->suma_ludzi_wchodzacych_2_mean1

##UV_2
as.data.frame(t(UV_2)) ->UV_2_ok
UV_2_ok<- UV_2_ok[c(3:7), c(1:7)]

UV_2_ok%>%
  summarise(
    UV_2_v1mean=mean(UV_2_ok$V1, na.rm=T),
    UV_2_v2mean=mean(UV_2_ok$V2, na.rm=T),
    UV_2_v3mean=mean(UV_2_ok$V3, na.rm=T),
    UV_2_v4mean=mean(UV_2_ok$V4, na.rm=T),
    UV_2_v5mean=mean(UV_2_ok$V5, na.rm=T),
    UV_2_v6mean=mean(UV_2_ok$V6, na.rm=T),
    UV_2_v7mean=mean(UV_2_ok$V7, na.rm=T),
  ) ->UV_2_mean1
as.data.frame(t(UV_2_mean1)) ->UV_2_mean1

dane_dc_skr <- cbind(chzt_2_mean1, ludzie_wchodza_2_mean1, NH4_2_mean1, ogolna_liczba_grzybow_i_plesni_2_mean1,
                     ogolna_liczba_mikroorganizmow_2_mean1, PEW_2_mean1, stezenie_dezynfekanta_2_mean1,
                     suma_ludzi_wchodzacych_2_mean1, UV_2_mean1)

colnames(dane_dc_skr) <- c("chztps","pslw","nhps","gps","mps","pewps","ps","psslw","pewpsuv")
rownames(dane_dc_skr) <- c("time 0","time 15","time 30","time 45","time 60","time 75","time 90")

DT::datatable(dane_ps_skr, caption = "Tabela z podziałem ze względu na podchloran sodu", options = list(scrollX=TRUE))

---

DT::datatable(dane_dc_skr, caption = "Tabela z podziałem ze względu na dwutlenek chloru", options = list(scrollX=TRUE))

---

2. Korelacje

Nim przystąpniłam do tworzenia korelacji dodałam do obu tabel kolumnę czas, a także zmieniłam nazwy kolumn na dużo bardziej czytelne.

dane_ps_skr %>% 
  mutate('czas'=c("0","15","30","45","60","75", "90")) ->dane_ps_skr

dane_dc_skr %>% 
  mutate('czas'=c("0","15","30","45","60","75", "90")) ->dane_dc_skr

colnames(dane_ps_skr) <- c("Chzt", "Ludzie", "NH4", "Grzyby", "Mezofile", "PEW", "Dezynfekanty", "Suma ludzi", "UV", "Czas")
colnames(dane_dc_skr) <- c("Chzt", "Ludzie", "NH4", "Grzyby", "Mezofile", "PEW", "Dezynfekanty", "Suma ludzi", "UV", "Czas")

Korelacja dla tabeli dotyczącej podchloranu sodu.

---

col <- colorRampPalette(c("#D417AB", "#A58FBF", "#FFFFFF", "#A7E3E8", "#5267BA"))
corr <- rcorr(as.matrix(dane_ps_skr))
corr_r <- corr$r
corr_p <- corr$P
corrplot(corr_r, method = "color", col = col(200),  
         type = "upper", order = "hclust", addCoef.col = "black", diag = FALSE,
         tl.col = "black", tl.srt = 45, p.mat = corr_p, sig.level = 0.05)

---

Korelacja dla tabeli dotyczącej dwutlenku chloru.

---

col <- colorRampPalette(c("#D417AB", "#A58FBF", "#FFFFFF", "#A7E3E8", "#5267BA"))
corr <- rcorr(as.matrix(dane_dc_skr))
corr_r <- corr$r
corr_p <- corr$P
corrplot(corr_r, method = "color", col = col(200),  
         type = "upper", order = "hclust", addCoef.col = "black", diag = FALSE,
         tl.col = "black", tl.srt = 45, p.mat = corr_p, sig.level = 0.05)

---

3. Wizualizacje

Na sam koniec utworzyłam kilka wizualizacji moich danych.

---

Dane dla podchlorynu sodu:

dane_ps_skr%>% 
  plot_ly(x=dane_ps_skr$Chzt, 
          y=dane_ps_skr$Czas,
          xlab='chzt',
          ylab='czas')

---

Dane dla dwutlenku chloru:

dane_dc_skr%>% 
  plot_ly(x=dane_dc_skr$Chzt, 
          y=dane_dc_skr$Czas,
          xlab='chzt',
          ylab='czas') 

---

kwadraty <- heatmaply(dane_ps_skr, 
                 xlab = "", ylab = "", 
                 main = "Dane dla podchlorynu sodu",
                 scale = "column",
                 margins = c(60,100,40,20),
                 grid_color = "white",
                 grid_width = 0.1,
                 titleX = TRUE,
                 hide_colorbar = FALSE,
                 branches_lwd = 0.1,
                 label_names = c("nr. pom.", "subst.", "wart."),
                 fontsize_row = 10, fontsize_col = 10,
                 heatmap_layers = theme(axis.line=element_blank()))
kwadraty

---

kwadraty1 <- heatmaply(dane_dc_skr, 
                 xlab = "", ylab = "", 
                 main = "Dane dla dwutlenku chloru",
                 scale = "column",
                 margins = c(60,100,40,20),
                 grid_color = "white",
                 grid_width = 0.1,
                 titleX = TRUE,
                 hide_colorbar = FALSE,
                 branches_lwd = 0.1,
                 label_names = c("nr. pom.", "subst.", "wart."),
                 fontsize_row = 10, fontsize_col = 10,
                 heatmap_layers = theme(axis.line=element_blank()))
kwadraty1

---

scatterplot3d(dane_ps_skr$`Suma ludzi`, dane_ps_skr$Mezofile, dane_ps_skr$Grzyby, pch=16, color="purple",type="h", main="Dane dla podchlorynu sodu", xlab = "Suma ludzi", ylab = "Mezofile", zlab = "Grzyby")

---

scatterplot3d(dane_dc_skr$`Suma ludzi`, dane_dc_skr$Mezofile, dane_dc_skr$Grzyby, pch=16, color="pink",type="h", main="Dane dla dwutlenku chloru", xlab = "Suma ludzi", ylab = "Mezofile", zlab = "Grzyby")

---

dane_ps_skr %>%
    tail(10) %>%
    ggplot( aes(x=dane_ps_skr$Dezynfekanty, y=dane_ps_skr$`Suma ludzi`)) +
    geom_line( color="grey") +
    geom_point(shape=21, color="black", fill="#69b3a2", size=6) +
    labs(
      title = "Wykres dezynfekantóW od sumy ludzi dla podchlorynu sodu",
      x="Dezynfekanty",
      y="Suma ludzi",
      caption="")

---

dane_dc_skr %>%
    tail(10) %>%
    ggplot( aes(x=dane_dc_skr$Dezynfekanty, y=dane_dc_skr$`Suma ludzi`)) +
    geom_line( color="grey") +
    geom_point(shape=21, color="black", fill="#69b3a2", size=6) +
    labs(
      title = "Wykres dezynfekantóW od sumy ludzi dla dwutlenku chloru",
      x="Dezynfekanty",
      y="Suma ludzi",
      caption="")

---

ggplot(data=dane_ps_skr, aes(x=dane_ps_skr$UV, y=dane_ps_skr$Grzyby, col=dane_ps_skr$Czas)) + 
    geom_jitter(alpha=30) + 
    geom_boxplot(alpha=20)+
  labs(
      title = "Dane dla podchlorynu sodu",
      x="UV",
      y="Grzyby",
      col="Czas",
      caption="")

---

ggplot(data=dane_dc_skr, aes(x=dane_dc_skr$UV, y=dane_dc_skr$Grzyby, col=dane_dc_skr$Czas)) + 
    geom_jitter(alpha=30) + 
    geom_boxplot(alpha=20)+
  labs(
      title = "Dane dla dwutlenku chloru",
      x="UV",
      y="Grzyby",
      col="Czas",
      caption="")

---

hist(dane_ps_skr, breaks=50 , xlim=c(1:6) , xlab="" , ylab="" , main="Dane dla podchlorynu sodu")

---

hist(dane_dc_skr, breaks=50 , xlim=c(1:6) , xlab="" , ylab="" , main="Dane dla dwutlenku chloru" )

---