### Importate il dataframe gatti:
#1. Calcolate le frequenze assolute, le proporzioni e le percentuali delle tre variabili che descrivono la capacità dei soggetti di #discriminare l’intenzione comunicativa dei gatti nei tre contesti: quali commenti potremmo fare?
table(gatti$riconosce_miao_cibo)
table(gatti$riconosce_miao_isolamento)
table(gatti$riconosce_miao_spazzolamento)
round(prop.table(table(gatti$riconosce_miao_cibo)),2)
round(prop.table(table(gatti$riconosce_miao_isolamento)),2)
round(prop.table(table(gatti$riconosce_miao_spazzolamento)),2)
round(prop.table(table(gatti$riconosce_miao_cibo)),3)*100
round(prop.table(table(gatti$riconosce_miao_isolamento)),3)*100
round(prop.table(table(gatti$riconosce_miao_spazzolamento)),3)*100
Freq(gatti$riconosce_miao_cibo)
Freq(gatti$riconosce_miao_isolamento)
Freq(gatti$riconosce_miao_spazzolamento)

#2. Anche la distribuzione del livello di istruzione non è ottimale: unite i soggetti con specializzazione post lauream ai laureati, #creando la variabile $istruzione2; che tipo di variabile avete creato?
gatti$istruzione2[gatti$istruzione=="diploma superiore"]<-"diploma superiore"
gatti$istruzione2[gatti$istruzione=="specializzazione post lauream"|gatti$istruzione=="laurea"]<-"laurea o specializzazione"
table(gatti$istruzione); table(gatti$istruzione2)
class(gatti$istruzione2)
gatti$istruzione2<-as.factor(ifelse(test=gatti$istruzione=="diploma superiore", yes="diploma superiore", no="laurea o specializzazione"))
class(gatti$istruzione2

#3. Selezionate solo i soggetti che vivono con un gatto e le variabili relative al riconoscimento dei miagolii, fate le stesse operazioni del punto 1: l’interpretazione del dato cambia?
vive_con_gatti<-subset(gatti, gatti$vive_con_gatto=="si", select = c("riconosce_miao_cibo", "riconosce_miao_isolamento", "riconosce_miao_spazzolamento"))
str(vive_con_gatti)
#oppure
vive_con_gatti<-gatti[gatti$vive_con_gatto=="si",11:13]
Freq(vive_con_gatti$riconosce_miao_cibo)
Freq(vive_con_gatti$riconosce_miao_isolamento)
Freq(vive_con_gatti$riconosce_miao_spazzolamento)

#4. Considerate per tutto il campione la variabile $empatia_gatti, che esprime l’autovalutazione sull’empatia specifica per i gatti: 
#4a. descrivete la distribuzione di frequenza della variabile;
table(gatti$empatia_gatti)

#4b. considerate i punteggi fino a 8 come indicatori di bassa empatia, da 9 a 18 come indicatori di media empatia  e da 19 fino al #più grande come indicatori di travolgente empatia: dividete la distribuzione della variabile in base a queste tre classi e calcolatene #la densità di frequenza. 
gatti$emp_gatti_cat<-as.ordered(ifelse(test=gatti$empatia_gatti<=8, yes="bassa", no=ifelse(gatti$empatia_gatti>8 & gatti$empatia_gatti<=18, yes="media", no = "travolgente")))
##frequenza assoluta
table(gatti$emp_gatti_cat)
##densità di frequenza
21/(8.5-2.5)
38/(18.5-8.5)
20/(27.5-18.5)

#5.  Considerate tutti i soggetti nel dataframe gatti: costruite la distribuzione la distribuzione delle frequenze percentuali assolute #della variabile $autovalutazione_relazione_gatto e commentatela: è stata una buona idea? Perché?
perc_relaz<-round(prop.table(table(gatti$autovalutazione_relazione_con_gatti))*100,1)
perc_relaz

#6. Calcolate il primo e il terzo quartile della variabile $autovalutazione_relazione_gatto e interpretatene l’output; identificate i punteggi che definiscono il minimo, il massimo e il 10° percentile di questa variabile
quantile(x = gatti$autovalutazione_relazione_con_gatti, probs = c(.25, .75))
summary(gatti$autovalutazione_relazione_con_gatti)
fivenum(gatti$autovalutazione_relazione_con_gatti)
quantile(x = gatti$autovalutazione_relazione_con_gatti, probs = .10)

#7. Usate i quantili così individuati per creare la variabile di raggruppamento $amiconi, in cui i soggetti che faticano a entrare in #relazione con un gatto sono individuati dal livello “scarsa relazione”, quelli così così dal livello “media relazione” e quelli che #pensano come un gatto dal livello “buona relazione”
gatti$amiconi<-as.factor(ifelse(gatti$autovalutazione_relazione_con_gatti<=4, "scarsa", ifelse(gatti$autovalutazione_relazione_con_gatti>4&gatti$autovalutazione_relazione_con_gatti<12, "media", "buona")))
gatti$amiconi<-ordered(gatti$amiconi, levels=c("scarsa", "media", "buona"))
##oppure
gatti$amiconi2<-as.ordered(ifelse(gatti$autovalutazione_relazione_con_gatti<=4, "scarsa", ifelse(gatti$autovalutazione_relazione_con_gatti>4&gatti$autovalutazione_relazione_con_gatti<12, "media", "buona")))
table(gatti$amiconi); table(gatti$amiconi2)

#8. Considerando tutti i soggetti nel dataframe gatti, calcolate moda, mediana e media della variabile $AES_empatia_animali e #commentate il dato, sapendo che il punteggio minimo teoricamente ottenibile è 22 e il massimo teoricamente ottenibile è 198;
summary(gatti$AES_empatia_animali)
Desc(gatti$AES_empatia_animali)
#solo per la moda:
which.max(table(gatti$AES_empatia_animali))
##8a. Calcolate gli indici di dispersione della variabile $AES_empatia_animali per tutti i soggetti; e 
sd(gatti$AES_empatia_animali); var(gatti$AES_empatia_animali)
##8b. individuate i soggetti che rappresentano il 25% inferiore della distribuzione: etichettate loro come “antropocentrici” e tutti gli #altri come “non antropocentrici”. Verificate la correttezza della categorizzazione.
quantile(gatti$AES_empatia_animali, probs = .25)
gatti$AES2<-as.factor(ifelse(gatti$AES_empatia_animali<=137.5, "antropocentrici"," non antropocentrici"))
round(prop.table(table(gatti$AES2))*100,1)

#9. Calcolate il modello media della variabile $AES_empatia_animali per chi è cresciuto con un animale domestico e confrontatelo #con quello di chi non è cresciuto con un animale domestico: quale modello si adatta meglio ai dati? Commentate i due modelli #rispetto all’ipotesi che l’empatia non sia un tratto innato, ma una capacità che si può addestrare. 
tapply(X=gatti$AES_empatia_animali,INDEX = gatti$cresciuto_animali_domestici, FUN = mean )
tapply(X=gatti$AES_empatia_animali,INDEX = gatti$cresciuto_animali_domestici, FUN = var )
Desc(gatti$AES_empatia_animali~gatti$cresciuto_animali_domestici)

### Importate il dataframe attaccamento
# 1.Le sottoscale del CBI compongono un punteggio totale: createlo nel dataframe come $CBI_totale.
a<-attaccamento
colnames(a)
a$CBI_totale<-rowSums(a[,10:14])
a$CBI_totale2<-a$CBI_burden_blocco_evolutivo+a$CBI_burden_conflitto_ruolo+a$CBI_burden_emotivo+a$CBI_burden_fisico+a$CBI_burden_restrizione_tempo

#2.Anche le sottoscale del WHOQOL possono creare una dimensione complessiva: la media della qualità della vita nei diversi
#ambiti. Create la variabile $WHOQOL_media.
a$WHOQOL_media<-rowSums(a[,28:31])/4
a$WHOQOL_media2<-(a$QOL_salute_fisica+a$QOL_ambiente+a$QOL_benessere_psicoogico+a$QOL_relazioni_sociali)/4

#3. Considerate solo il sottogruppo con l’assistito in casa: quanti usufruiscono di un centro diurno? E cosa potete 
#rilevare rispetto all’aiuto ricevuto? Usate sia descrittori numerici sia i grafici adeguati al livello di misura della variabile
##3a. L'etichetta "assistente domiciliare" è scomoda da avere nella X di un grafico: rinominatela, accorciandola
####centro diurno
casa<-subset(a, a$domicilio_assistito=="in casa")
###oppure
casa<-a[a$domicilio_assistito=="in casa", ]
###in realtà gli altri sono NA!
table(casa$centro_diurno)
round(prop.table(table(casa$centro_diurno))*100,1)
barplot(table(casa$centro_diurno))
barplot(prop.table(table(casa$centro_diurno))*100)
barplot(prop.table(table(casa$centro_diurno))*100, ylim = c(0,100), col=rainbow(2), xlab = "Centro", main="fruisce di un Centro Diurno")
text(x = c(.50, 1.7), y=50, labels = c("90%", "10%"), pos = 4)
###package sjPlot
plot_frq(casa$centro_diurno, type = "bar", title = "fruisce centro diurno", axis.title = "centro diurno", geom.colors = "red")
####con l'aiuto di...
table(casa$con_aiuto_di)
round(prop.table(table(casa$con_aiuto_di))*100,2)
##sistemiamo l'etichetta lunga
levels(casa$con_aiuto_di)
levels(casa$con_aiuto_di)<-c("ass. domic.", "badante", "nessuno")
barplot(table(casa$con_aiuto_di))
barplot(prop.table(table(casa$con_aiuto_di))*100, ylim = c(0,100), col=rainbow(4), xlab = "tipo di aiuto", main="ricevono aiuto da:")
text(x = c(.55, 1.7, 2.8), y=c(10,55, 50), labels = c("5%", "50%", "40%"), pos = 4)
###per le etichette, anche:
barplot(prop.table(table(casa$con_aiuto_di))*100, ylim = c(0,100), col=rainbow(4), xlab = "tipo di aiuto", main="ricevono aiuto da:")
text(x = c(.55, 1.7, 2.8), y=c(10,55, 50), labels = prop.table(table(casa$con_aiuto_di))*100, pos = 4)
plot_frq(casa$con_aiuto_di, type = "bar", title = "tipo di aiuto", axis.title = "aiuto fornito da", geom.colors = "purple")
plot_frq(casa$con_aiuto_di,sort.frq = "desc", type = "bar", title = "tipo di aiuto", axis.title = "aiuto fornito da", geom.colors = "purple")
##anche un grafico A TORTA
pie(table(casa$centro_diurno))
pie(table(casa$centro_diurno), col = rainbow(3), labels = c("90%", "10%"),main = "fruisce di un centro diurno")
##OPPURE
table(a$domicilio_assistito, a$centro_diurno)
prop.table(table(a$domicilio_assistito, a$centro_diurno),margin = 1)*100
prop.table(table(a$centro_diurno))*100
prop.table(table(a$centro_diurno, exclude = NULL))*100
#4. Quali considerazioni si potrebbero fare (e come) rispetto all’avere un aiuto e al burden totale? usate sia descrittori numerici sia i grafici adeguati al livello di misura della variabile
##centro diurno
casa<-subset(a, a$domicilio_assistito=="in casa")
casa<-a[a$domicilio_assistito=="in casa", ]
###in realtà gli altri sono NA!
table(casa$centro_diurno)
round(prop.table(table(casa$centro_diurno))*100,1)
barplot(table(casa$centro_diurno))
barplot(prop.table(table(casa$centro_diurno))*100)
barplot(prop.table(table(casa$centro_diurno))*100, ylim = c(0,100), col=rainbow(2), xlab = "Centro", main="fruisce di un Centro Diurno")
text(x = c(.50, 1.7), y=50, labels = c("90%", "10%"), pos = 4)
###package sjPlot
plot_frq(casa$centro_diurno, type = "bar", title = "fruisce centro diurno", axis.title = "centro diurno", geom.colors = "red")
##con l'aiuto di...centro diurno
table(casa$con_aiuto_di)
round(prop.table(table(casa$con_aiuto_di))*100,2)
##sistemiamo l'etichetta lunga
levels(casa$con_aiuto_di)
levels(casa$con_aiuto_di)<-c("ass. domic.", "badante", "nessuno")
barplot(table(casa$con_aiuto_di))
barplot(prop.table(table(casa$con_aiuto_di))*100, ylim = c(0,100), col=rainbow(4), xlab = "tipo di aiuto", main="ricevono aiuto da:")
text(x = c(.55, 1.7, 2.8), y=c(10,55, 50), labels = c("5%", "50%", "40%"), pos = 4)
###per le etichette, anche:
barplot(prop.table(table(casa$con_aiuto_di))*100, ylim = c(0,100), col=rainbow(4), xlab = "tipo di aiuto", main="ricevono aiuto da:")
text(x = c(.55, 1.7, 2.8), y=c(10,55, 50), labels = prop.table(table(casa$con_aiuto_di))*100, pos = 4)
plot_frq(casa$con_aiuto_di, type = "bar", title = "tipo di aiuto", axis.title = "aiuto fornito da", geom.colors = "purple")
plot_frq(casa$con_aiuto_di,sort.frq = "desc", type = "bar", title = "tipo di aiuto", axis.title = "aiuto fornito da", geom.colors = "purple")
##anche un grafico A TORTA
pie(table(casa$centro_diurno))
pie(table(casa$centro_diurno), col = rainbow(3), labels = c("90%", "10%"),main = "fruisce di un centro diurno")
##OPPURE
table(a$domicilio_assistito, a$centro_diurno)
prop.table(table(a$domicilio_assistito, a$centro_diurno),margin = 1)*100
prop.table(table(a$centro_diurno))*100
prop.table(table(a$centro_diurno, exclude = NULL))*100
barplot(prop.table(table(casa$centro_diurno))*100, ylim = c(0,100), col=rainbow(4), xlab = "domicilio assistito", main="fruisce di un Centro Diurno")
#Quali considerazioni si potrebbero fare (e come) 
#rispetto all’avere un aiuto e al burden totale?
## vediamo prima le frequenze nel campione complessivo
hist(casa$CBI_totale)
hist(casa$CBI_totale, freq = FALSE, col = rainbow(15))
##ora per livello di $con_aiuto_di
Desc(casa$CBI_totale~casa$con_aiuto_di)
tapply(casa$CBI_totale, casa$con_aiuto_di, summary)
#descriviamo solo queste due variabili, escludendo anche "ass. domic."
casa2<-casa[casa$con_aiuto_di!="ass. domic.",c(9,32)]
str(casa2)
levels(casa2$con_aiuto_di)<-droplevels(casa2$con_aiuto_di)
str(casa2)
##prima le frequenze condizionali, poco interessanti
### caricate il package lattice nella System Library
histogram(~casa2$CBI_tot|casa2$con_aiuto_di, xlab = "CBI totale")
#poi la distribuzione a  livello ordinale
boxplot(casa2$CBI_tot)
boxplot(casa2$CBI_tot, xlab="campione complessivo", ylab="CBI totale", col="yellow")
boxplot(casa2$CBI_tot~casa2$con_aiuto_di, xlab="tipo di aiuto", ylab="CBI totale", col=rainbow(6))