######################################
## Escuela de Datos Vivos 
## https://escueladedatosvivos.ai (@datos_vivos)
##
## {Clase abierta de desembarco en R}
##
## Relacionada al curso gratuito:
## https://escueladedatosvivos.ai/p/curso-desembarcando-en-r-2da-edicion-gratis 

######################################

# Hola! Si estás leyendo esto, estás en el lugar correcto.









####################################
# Carga de librerías
####################################
library(tidyverse)
library(funModeling)






####################################
## Lectura de datos
####################################
data_bank=read_delim(file="data/bank_2.csv", delim = ";")




####################################
## Análisis exploratorio
####################################
# ¿qué onda los datos?
status(data_bank)
  
  
# Un poco de números (también llamado análisis univariado)
profiling_num(data_bank) 



## Humilde intro a tidyverse > dplyr
data_bank %>% select(age)






# agregar job
d1=data_bank %>% select(age, job)








# la magia del todo
d2=data_bank %>% select(deposit, everything())
write_delim(d2, "reporte.txt", delim = ";")








# ordenemos!
d3=data_bank %>% select(age, deposit) %>% arrange(age)








## Volvamos a la matrix!
profiling_num(data_bank)







## Volvamos a la matrix! pero con menos caos...
## ¿Hay cosas raras? (ej. outliers)
profiling_num(data_bank) %>% 
  select(variable, mean, std_dev, variation_coef) 








# Emprolijemos!
profiling_num(data_bank) %>% 
  select(variable, mean, std_dev, variation_coef) %>% 
  arrange(-variation_coef) %>% top_n(3) %>% pull(variable) 




summary(data_bank$age)






# Encontramos a la diosa sumeria!
# https://www.bbc.com/mundo/noticias-39781154








# Ahora podemos imaginar los gráficos
plot_num(data_bank)







# Hagamos dibujitos (AKA: análisis descriptivo var categórica)
freq(data_bank)


## 

data_bank$age # vector
data_bank %>% select(age)

# vemos el valor nro 100 en edad
data_bank$age[100]

# cambiamos
data_bank$age[100]=30

# check
data_bank$age[100]

# batalla naval
# data_bank[fila, columna]
data_bank[100, ]

data_bank[100, "age"]

data_bank[, "age"]





#######################################
## Un modelo predictivo! :D
## (PD: Muuuy simplificado)
#######################################






library(rpart)
fit_bank_1=rpart(data = data_bank, 
                 formula = deposit ~  age + loan + education + job,
                
                  control =  rpart.control(
                   cp = 0.01,
                   minbucket=30,
                   minsplit=20
                 )
)



fit_bank_1


## Visualizando
library(rattle)
fancyRpartPlot(fit_bank_1) 
asRules(fit_bank_1)