library(arules)
library(arulesViz)
library(tidyverse)
library(gridExtra)

# czytanie danych
trans <- read.transactions("Store_data.csv", format="basket", sep=",", rm.duplicates=TRUE)

# Wyświetlenie informacji o obiekcie typu trans
trans

# Podsumowanie
summary(trans)

# Bezwzględna częstotliwość transakcji licznik
itemFrequencyPlot(trans, topN=15, type="absolute", col="lightgreen",xlab="Przedmiot",
                  ylab="Częstosliwość (bezwzględna)", main="Histogram częstotliwośći zakupów")

# Względna częstotliwość transakcji procent wszystkich transakcji
itemFrequencyPlot(trans, topN=15, type="relative", col="lightcyan", xlab="Przedmiot", 
                  ylab="Częstosliwość (względna)", main="Względna Histogram częstotliwośći zakupów")

# Wsparcie i zaufanie wybór wartości do testowania
supportLevels <- c(0.1, 0.05, 0.01, 0.005)
confidenceLevels <- c(0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1)

# Wektory dla różnych poziomów wsparcia i 9 wartości zaufania
rules_sup10 <- integer(length=9)
rules_sup5 <- integer(length=9)
rules_sup1 <- integer(length=9)
rules_sup0.5 <- integer(length=9)

# Apriori z poziomem wsparcia 10%
for (i in 1:length(confidenceLevels)) {
    rules_sup10[i] <- length(apriori(trans, parameter=list(sup=supportLevels[1], 
                                                           conf=confidenceLevels[i], 
                                                           target="rules")))
}

# Apriori z poziomem wsparcia 5%
for (i in 1:length(confidenceLevels)){
    rules_sup5[i] <- length(apriori(trans, parameter=list(sup=supportLevels[2], 
                                                          conf=confidenceLevels[i], target="rules")))
}

# Apriori z poziomem wsparcia 1%
for (i in 1:length(confidenceLevels)){
    rules_sup1[i] <- length(apriori(trans, parameter=list(sup=supportLevels[3], 
                                                          conf=confidenceLevels[i], target="rules")))
}

# Apriori z poziomem wsparcia 0.5%
for (i in 1:length(confidenceLevels)){
    rules_sup0.5[i] <- length(apriori(trans, parameter=list(sup=supportLevels[4], 
                                                            conf=confidenceLevels[i], target="rules")))
}

# Liczba znalezionych reguł z poziomem wsparcia wynoszącym 10%
plot1 <- qplot(confidenceLevels, rules_sup10, geom=c("point", "line"), 
               xlab="Zaufanie", ylab="Liczba znalezionych reguł", 
               main="Apriori z poziomem wsparcia 10%") + theme_bw()

# Liczba znalezionych reguł z poziomem wsparcia wynoszącym 5%
plot2 <- qplot(confidenceLevels, rules_sup5, geom=c("point", "line"), 
               xlab="Zaufanie", ylab="Liczba znalezionych reguł", 
               main="Apriori z poziomem wsparcia 5%") + theme_bw()

# Liczba znalezionych reguł z poziomem wsparcia wynoszącym 1%
plot3 <- qplot(confidenceLevels, rules_sup1, geom=c("point", "line"), 
               xlab="Zaufanie", ylab="Liczba znalezionych reguł", 
               main="Apriori z poziomem wsparcia 1%") + theme_bw()

# Liczba znalezionych reguł z poziomem wsparcia wynoszącym 0.5%
plot4 <- qplot(confidenceLevels, rules_sup0.5, geom=c("point", "line"), 
               xlab="Zaufanie", ylab="Liczba znalezionych reguł", 
               main="Apriori z poziomem wsparcia 0.5%") + theme_bw()

# Wykres zbiorczy
grid.arrange(plot1, plot2, plot3, plot4, ncol=2)

# Apriori uruchomione dla wybranego poziomu wsparcia i zaufania
mysupp = 
myconf = 
rules <- apriori(trans, parameter=list(sup=mysupp, 
                                       conf=myconf, target="rules"))
# Pokazanie reguł asocjacyjnych
inspect(rules)
inspectDT(rules)

# Scatter plot
plot(rules, measure=c("support","lift"), shading="confidence")

# Graf dla reguł
plot(rules, method="graph")

# Graf dla reguł uporządkowany
plot(rules, method="graph", control=list(layout=igraph::in_circle()))

# Pogrupowane reguły w postaci tablicowej
plot(rules, method="grouped")