#ZAD1
head(USArrests)
pairs(USArrests)
#UrbanPop jest najsłabiej skorelowana z pozostałymi
cor.test(USArrests$Murder,USArrests$UrbanPop, method="pearson")
cor.test(USArrests$Rape,USArrests$UrbanPop, method="pearson")

(pca_1 <- prcomp(~ Murder + Assault + Rape, data = USArrests, scale = TRUE))

summary(pca_1)

head(pca_1$x)
cat("...")

pca_1$rotation
par(mfrow = c(1, 2))
matplot(pca_1$rotation, type = 'l', lty = 1, lwd = 2, 
        xlab = 'zmienne', ylab = 'ładunki', ylim = c(-0.9, 1.05), 
        xaxt = "n")
axis(1, at = 1:3, labels = rownames(pca_1$rotation))
legend('topleft', legend = c('PC1', 'PC2', 'PC3'), ncol = 3, col = 1:3, lwd = 2)
text(rep(1, 3), pca_1$rotation[1, ], round(pca_1$rotation[1, ], 2), pos = 4)
text(rep(2, 3), pca_1$rotation[2, ], round(pca_1$rotation[2, ], 2), pos = 1)
text(rep(3, 3), pca_1$rotation[3, ], round(pca_1$rotation[3, ], 2), pos = 2)
matplot(abs(pca_1$rotation), type = 'l', lty = 1, lwd = 2, 
        xlab = 'zmienne', ylab = '|ładunki|', ylim = c(0, 1.05), 
        xaxt = "n")
axis(1, at = 1:3, labels = rownames(pca_1$rotation))
legend('topleft', legend = c('PC1', 'PC2', 'PC3'), ncol = 3, col = 1:3, lwd = 2)
text(rep(1, 3), abs(pca_1$rotation)[1, ], abs(round(pca_1$rotation[1, ], 2)), pos = 4)
text(rep(2, 3), abs(pca_1$rotation)[2, ], abs(round(pca_1$rotation[2, ], 2)), pos = 1)
text(rep(3, 3), abs(pca_1$rotation)[3, ], abs(round(pca_1$rotation[3, ], 2)), pos = 2)
par(mfrow = c(1, 1))

plot(pca_1)

# trzecie podejście
# wartości własne = wariancje
pca_1$sdev^2
mean(pca_1$sdev^2)
## 1, tak musi być przy skalowaniu
# Pomijamy te składowe główne, których wartości własne są mniejsze od średniej.
# Zatem wybieramy jedną.

biplot(pca_1)

install.packages("ape")
library(ape)
plot(mst(dist(scale(USArrests[, -3]))), x1 = pca_1$x[, 1], x2 = pca_1$x[, 2])

#ZAD2

mtcars_sel <- mtcars[, c(1, 3:7)]
(pca_2 <- prcomp(mtcars_sel, scale = TRUE))

summary(pca_2)

head(pca_2$x)
cat("...")

pca_2$rotation
par(mfrow = c(2, 1))
matplot(pca_2$rotation, type = 'l', lty = 1, lwd = 2, 
        xlab = 'zmienne', ylab = 'ładunki', ylim = c(-0.9, 1.05), 
        xaxt = "n")
axis(1, at = 1:6, labels = rownames(pca_2$rotation))
legend('topleft', legend = c('PC1', 'PC2', 'PC3', 'PC4', 'PC5', 'PC6'), ncol = 6, col = 1:6, lwd = 2)
matplot(abs(pca_2$rotation), type = 'l', lty = 1, lwd = 2, 
        xlab = 'zmienne', ylab = '|ładunki|', ylim = c(0, 1.05), 
        xaxt = "n")
axis(1, at = 1:6, labels = rownames(pca_2$rotation))
legend('topleft', legend = c('PC1', 'PC2', 'PC3', 'PC4', 'PC5', 'PC6'), ncol = 6, col = 1:6, lwd = 2)
par(mfrow = c(1, 1))

plot(pca_2)

# trzecie podejście
# wartości własne = wariancje
pca_2$sdev^2
mean(pca_2$sdev^2)
## 1, tak musi być przy skalowaniu
# Pomijamy te składowe główne, których wartości własne są mniejsze od średniej.
# Zatem wybieramy dwie.

biplot(pca_2)

library(ape)
plot(mst(dist(mtcars_sel)), x1 = pca_2$x[, 1], x2 = pca_2$x[, 2])


(pca_3 <- prcomp(mtcars_sel, scale = FALSE, center = FALSE))

summary(pca_3)

head(pca_3$x)
cat("...")

pca_3$rotation
par(mfrow = c(2, 1))
matplot(pca_3$rotation, type = 'l', lty = 1, lwd = 2, 
        xlab = 'zmienne', ylab = '�adunki', ylim = c(-0.9, 1.15), 
        xaxt = "n")
axis(1, at = 1:6, labels = rownames(pca_3$rotation))
legend('topleft', legend = c('PC1', 'PC2', 'PC3', 'PC4', 'PC5', 'PC6'), ncol = 6, col = 1:6, lwd = 2)
matplot(abs(pca_3$rotation), type = 'l', lty = 1, lwd = 2, 
        xlab = 'zmienne', ylab = '|�adunki|', ylim = c(0, 1.1), 
        xaxt = "n")
axis(1, at = 1:6, labels = rownames(pca_3$rotation))
legend('topleft', legend = c('PC1', 'PC2', 'PC3', 'PC4', 'PC5', 'PC6'), ncol = 6, col = 1:6, lwd = 2)
par(mfrow = c(1, 1))


plot(pca_3)
#1

pca_3$sdev^2
mean(pca_3$sdev^2)