help(package="factoextra")

install.packages("factoextra")
library("factoextra")

data(decathlon2) #dane z pakietu factoextra 
dane <- decathlon2[1:10]

########### prcomp() ###########
#analiza PCA
result.prcomp <- prcomp(dane, scale = TRUE, center = TRUE)
result.prcomp

#wykres obserwacji (individuals/x/scores)
result.prcomp$x
plot(result.prcomp$x, main = "scale = TRUE & center = TRUE")
text(result.prcomp$x, labels = row.names(dane), pos = 3, cex = 0.7) 


#wykres zmiennych (variables/rotation/loadings)
rotation <- result.prcomp$rotation
rotation
plot(rotation, main = "scale = TRUE & center = TRUE") 
text(rotation, labels = colnames(dane), pos = 2, cex = 0.7) 
for(i in 1:dim(dane)[2]) { 
  arrows(0, 0, rotation[i, 1], rotation[i, 2], angle = 7, col = "red") 
} 


#wykres obserwacji i zmiennych
biplot(result.prcomp)

#wykres osuwiskowy - wykres wariancji 
screeplot(result.prcomp, main = "scale = TRUE & center = TRUE", type = "l")

#wykres osuwiskowy mozna takze otrzymac przy uzyciu funkcji plot()
plot(result.prcomp, main = "scale = TRUE & center = TRUE")

#podsumowanie danych przedstawionych na wykresie screeplot() i plot()
summary(result.prcomp)



########### princomp() ###########
#analiza PCA: cor = T macierz korelacji, cor = F macierz kowariancji
result.princomp <- princomp(dane, cor = TRUE) 
result.princomp

#wykres obserwacji (individuals/x/scores)
result.princomp$scores
plot(result.princomp$scores)
text(result.princomp$scores, labels = row.names(dane), pos = 3, cex = 0.7)


#wykres zmiennych (variables/rotation/loadings)
laoding <- result.princomp$loadings
laoding
plot(laoding) 
text(laoding, labels = colnames(dane), pos = 2, cex = 0.7) 
for(i in 1:dim(dane)[2]) { 
  arrows(0, 0, laoding[i, 1], laoding[i, 2], angle = 7, col = "red") 
} 

#wykres obserwacji i zmiennych
biplot(result.princomp)

#wykres osuwiskowy
screeplot(result.princomp, type = "l")

#wykres osuwiskowy mozna takze otrzymac przy uzyciu funkcji plot()
plot(result.princomp)

#podsumowanie danych przedstawionych na wykresie screeplot() i plot()
summary(result.princomp)



########### factoextra ###########
#wyniki uzyskane z wczesniejszej analizy
result.prcomp

#otrzymanie wartosci wlasnych i wariancji skladowych glownych
get_eigenvalue(result.prcomp)

#otrzymanie wynikow dla obserwacji
get_pca_ind(result.prcomp)
#Principal Component Analysis Results for individuals
#===================================================
#  Name       Description                       
#1 "$coord"   "Coordinates for the individuals" 
#2 "$cos2"    "Cos2 for the individuals"        
#3 "$contrib" "contributions of the individuals"

#otrzymanie wynikow dla zmiennych
get_pca_var(result.prcomp)

get_pca_var(result.prcomp)$coord #wspolrzedne do wykresow
get_pca_var(result.prcomp)$cos2 #jakosc reprezentacji
get_pca_var(result.prcomp)$contrib #udzial w skladowych glownych


#Wizualizacja wartosci wlasnych na wykresie osuwiskowym 
fviz_eig(result.prcomp)
fviz_eig(result.prcomp, addlabels = TRUE)


#wykres zmiennych (variables/ratation/loadings)
fviz_pca_var(result.prcomp)
#dodatkowe mozliwosci reprezentacji obserwacji
fviz_pca_var(result.prcomp,
             col.var = "contrib", #kolor wedlug udzialu w skladowych glownych 
             repel = TRUE
)

fviz_pca_var(result.prcomp,
             col.var = "cos2", #kolor wedlug jakosci reprezentacji
             repel = TRUE
)

#wykres jakosci reprezentacji
fviz_cos2(result.prcomp, choice = "var", axes = 1:2) #2 wymiary

#wykres udzialu w skladowych glownych
fviz_contrib(result.prcomp, choice = "var", axes = 1:2) #2 wymiary




#wykres obserwacji (individuals/x/scores)
fviz_pca_ind(result.prcomp)
#dodatkowe mozliwosci reprezentacji obserwacji
fviz_pca_ind(result.prcomp,
             col.ind = "cos2", #kolor wedlug jakosci reprezentacji 
             repel = TRUE #nie nakladaja sie nazwy
)

#wykres jakosci reprezentacji
fviz_cos2(result.prcomp, choice = "ind", axes = 1:2) #2 wymiary
#fviz_cos2(result.prcomp, choice = "ind") # 1 wymiar

#wykres udzialu w skladowych glownych
fviz_contrib(result.prcomp, choice = "ind", axes = 1:2) #2 wymiary


#biplot
fviz_pca_biplot(result.prcomp, repel = TRUE)