website.Rmd

---
title: Analiza liczby osób uprawiających sporty drużynowe w sekcjach sportowych.
date: "21 maj 2020"
output:
  prettydoc::html_pretty:
    highlight: github
    number_sections: yes
    theme: tactile
    toc: yes
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```


Korzystamy z :

1. Środowiska R oraz programu Rstudio.
2. Biblioteki Rmarkdown.
3. Danych Głównego Urzędu Statystycznego.


# Praca z Tabelami

## Podczytanie danych z Dysku, plik z programu Excel. 

Zaczynamy od wyczyszczenia środowiska R ze wszystkich zmiennych oraz podczytania biblioteki **readxl**. 

```{r czyszczenie_danych}
rm(list = ls())
```

```{r potrzebna_biblioteka}
library(readxl)
```

Importujemy dane z pliku **xlsx** poleceniem **read_excel**. Niestesty strona Głównego Urzędu Statystycznego nie udostępnia linków bezpośrednich do pobrania danych, stąd niemożliwe jest pobranie pliku bezpośrednio ze środowiska **R**.
```{r Tabela, message=FALSE, warning=FALSE}
Dane <- read_excel("KULT_2159_XPIV.xlsx", 
    sheet = "DANE", col_types = c("text", 
       "text", "text", "text", "numeric", 
       "numeric", "text", "numeric"))
head(Dane)

```

-----

## Porządkowanie

Aby uporządkować dane i ładnie wyświetlić tabelę, niezbędne są dwie biblioteki **dplry** oraz **DT**.
```{r bibl, message=FALSE, warning=FALSE}
library(dplyr)
library(DT)
```


Następnie tworzymy nową tabelę bez niepotrzebnych kolumn poleceniem **select**, tworząc także prostą tabelę ze wszystkimi naszymi danymi poleceniem **datatable**. Zamieniamy od razu typ danych w kolumnach *Nazwa* i *Gry.zespolowe*, ponieważ będzie nam to potrzebne do dalszej analizy.

```{r select, paged.print=TRUE}
tmp <- select(Dane, Nazwa, Gry.zespolowe, Rok, Wartosc)
tmp$Nazwa <- as.factor(tmp$Nazwa)
tmp$Gry.zespolowe <- as.factor(tmp$Gry.zespolowe)
tmp %>% datatable
```

-----

## Zapis

Tak przekształconą Tabelę możemy zapisać na dysku poleceniem **save**, aby nie powtarzać już tej czynności.
```{r zapis}
save(tmp, file = "Gry_zesp.RData")
```

-----

## Zamiana danych na postać szeroką. 

Do tej operacji potrzebna będzie bibloteka **reshape2**.
```{r bibl_re2}
library(reshape2)
```

Poleceniem **dcast** zamieniamy postać naszych danych oraz wyświetlamy gotową tablice.

```{r long_type}
Last <- dcast(tmp, 
    Nazwa + Gry.zespolowe ~ Rok,
    value.var = "Wartosc")
Last %>% datatable
```

## Podsumowanie

Zróbmy teraz małe podsumowanie tych liczb.

```{r summary}
Last %>% summary
```

----- 

# Rysowanie wykresów.

-----

Wykonamy teraz wykres z całego kraju, który będzie nam służyć do porównania z wykresami poszczególnych województw.

Do operacji tworzenia wykresów niezbędna będzie biblioteka **tidyverse** zawierająca **ggplot2**

```{r ggplot2, message=FALSE, warning=FALSE}
library(tidyverse)
```

## Najpopularniejszy sport w kraju.

Następnie przystępujemy do budowy zwykłego wykresu *punktowego*. W tym celu musimy wybrać z tabeli tylko Polskę jako region, za pomocą polecenie **fiter** aby przefiltrować całą tabelę po wierszach.

```{r point_pol}
tmp2 <- filter(tmp, Nazwa == "POLSKA")
ggplot(tmp2, aes(tmp2,x=Rok, y = Wartosc, label = Gry.zespolowe)) + 
  geom_point(color = "firebrick") + 
  geom_label(fill = "firebrick4", colour = "white", fontface = "bold",hjust = 0.5, nudge_x = 0.5)+
  ggtitle("Polski sport") +
  scale_x_continuous(breaks = c(2014,2016,2018))
  
```

-----


## Porównanie na poziomie województw

Używając funkcji **filter** odrzucimy sumę wyników z całego kraju aby porównać tylko województwa oraz wybierzemy tylko **piłkę nożną** jako sport, ponieważ tylko ona nas interesuje.


```{r point_pol2}
tmp3 <- filter(tmp, Nazwa != "POLSKA", Gry.zespolowe == "piłka nożna (łącznie z halową i plażową)")
ggplot(tmp3, aes(tmp3, x=Rok, y = Wartosc, label = Nazwa)) +  
geom_point(color = "firebrick") + 
geom_label(fill = "firebrick4", colour = "white", fontface = "bold",hjust = 0.5, nudge_x = 0.5) +
ggtitle("Piłka nożna w województwach")+
scale_x_continuous(breaks = c(2014,2016,2018))

```

-----

## Na sam koniec można usunąć wszystkie otwarte biblioteki z całego środowiska, używając funkcji detach.

```{r detach}
detach(package:readxl)
detach(package:dplyr)
detach(package:DT)
detach(package:tidyverse)
detach(package:reshape2)
```

-----

# Bibliografia

- Bank Danych Lokalnych, Główny Urząd Statystyczny, 
- Przewodnik po pakiecie R 4.0, P. Biecek, http://pbiecek.github.io/Przewodnik/index.html
- R markdown Theme Gallery, https://www.datadreaming.org/post/r-markdown-theme-gallery/

<div id="refs"></div>