# Check Arbeitsverzeichnis
getwd()

# Übersicht für Beispielsdatensätze
data()

# Wir schauen uns iris
data(iris)

# Explorativen Datenauswertung ----
pairs(iris) # Siehe auch https://r-charts.com/correlation/ggpairs/

# Beschreibung der Tabelle
head(iris)
tail(iris)

summary(iris)
str(iris)

library(dplyr)
glimpse(iris) # Nach tidyverse

# Korrelationen ---
iris %>% 
  select(-Species) %>% 
  cor()

# Mit Faktor (dann Spearman anstatt Pearson)
iris %>% 
  mutate(Species = as.numeric(Species)) %>% 
  cor(method = "spearman")

# Lineare Regression ----
plot(Petal.Width ~ Petal.Length, data = iris)

# Das gleiche mit ggplot
library(ggplot2)

ggplot(iris, aes(x = Petal.Length, y = Petal.Width, colour = Species)) +
  geom_point()

# Lineare Regression
model1 <- lm(Petal.Width ~ Petal.Length, data = iris)

model1
summary(model1)

# Inhalt des models
model1$residuals

str(summary(model1))

summary(model1)$r.squared

# Weitere Funktionen für das Model
resid(model1) # Residuen
fitted(model1) # Am Model angepasste Antworten
coef(model1) # Koeffiziente bzw. Parameter der Funktion

predict(model1, data.frame(Petal.Length = 3)) # Vorhersage

# Grafishe Darstellung des Models ----
ggplot(data = iris, aes(x = Petal.Length, y = Petal.Width)) +
  geom_point() +
  geom_abline(intercept = coef(model1)[1], slope = coef(model1)[2])

# Berechnung ntegriert in ggplot
ggplot(data = iris, aes(x = Petal.Length, y = Petal.Width)) +
  geom_point() +
  geom_smooth(method = "lm")

# Getrennt pro Art
ggplot(data = iris, aes(x = Petal.Length, y = Petal.Width, colour = Species)) +
  geom_point() +
  geom_smooth(method = "lm")