Efektivní a přehledná práce s daty v prostředí jazyka R

# Efektivní a přehledná práce s daty <br />v prostředí jazyka R
## Workshop: konference EJ NOK 2020
### Petr Bouchal
### 5. listopadu 2020

---

# Proč tu jsme: cíle pro dnešek

---
class: left, top, large

1\. Ujasnit si, kdy a proč použít na data programovací jazyk (R)

2\. Naučit se vyznat se v R a RStudiu

3\. Poznat nástroje na práci s daty

4\. Poznat nástroje na tvorbu výstupů

5\. Vědět, kde a jak se učit další věci

---

# A co není cílem

pokrýt všechny nástroje do hloubky

naučit se statistiku

řešit "big data" / "umělou inteligenci" a další buzzwords

]

---

# Jak na to půjdeme

---
class: middle

Celou dobu budeme používat data Google Mobility: https://www.google.com/covid19/mobility/

---

# Motivace: proč na data s kódem

---

## Jste v dobré společnosti

---

![](bbc.png)

---

![](sdg-atlas-2018-cover-400px.png)

https://blogs.worldbank.org/opendata/2018-atlas-sustainable-development-goals-all-new-visual-guide-data-and-development

https://github.com/worldbank/sdgatlas2018/blob/master/sdg11.R#L15-L72

---

![](ft.png)

---

![](economist.png)

https://projects.economist.com/us-2020-forecast/president

---

# Proč R

.pull-left.center.middle[

Open source

Flexibilita

*Komunita*

]

.pull-right.center.middle[
Data

Vizualizace a reporty

*RStudio*
]

---

[petrbouchal.xyz/eval2020](https://petrbouchal.xyz/eval2020)

]

---

# Stavební kameny

---
class: middle, large

1\. R a RStudio: prostředí

2\. Základní funkce a operace

3\. Práce s tabulkovými daty

---
class: middle, large

**1\. R a RStudio: prostředí**

2\. Základní funkce a operace

3\. Práce s tabulkovými daty

4\. Nástroje na tvorbu výstupů

---

otevřete RStudio ([rstudio.cloud](https://rstudio.cloud))

---
class: large

# Resumé: Co je co v R

"Only the data and code are real"

## Trvalé/opravdické

- kód
- vstupní data

]

## Přechodné

- výstupy: dokumenty, grafy, výstupní data
- objekty v prostředi (environment)

]

viz https://socviz.co/gettingstarted.html#things-to-know-about-r

---

### Data se nemění

Data se ze souboru na disku načtou do prostředí R.

Prostřednictvím kódu pracuji s odrazem dat v prostředí, nikoli přímo s datovým souborem.

Nakonec můžu výsledek zapsat na disk do nového souboru.

### Vše, co dělám s daty, musí být zaznamenáno v kódu

Do vstupních ani výstupních dat nezasahuji ručně.

Do výstupů nezasahuji ručně (pokud, tak až nakonec)

Kód (skript) by měl běžet od začátku do konce

### Co je v prostředí (Environment), je přechodné

Jakmile restartuji R, zmizí to

Pokud chci, aby mi něco zůstalo, musím mít v kódu popsán způsob, jak to vzniklo

---

Pokud se toto naučíte dodržovat, přiblížíte se dobré praxi reprodukovatné analýzy dat

Stejné principy platí i u jiných skriptovacích jazyků na práci s daty (Python, Julia aj.)

---

1\. R a RStudio: prostředí

**2\. Základní funkce a operace**

3\. Práce s tabulkovými daty

4\. Nástroje na tvorbu výstupů

---
class: large, center, middle

otevřete `01_prvni-skript.R`
---

# Vsuvka: kde hledat pomoc

- `?funkce` / `??cokoli`
- klik na funkci ve skriptu, pak F1
- "Google the error message"
- Stack Overflow
- RStudio Community
- webová dokumentace balíků

---

1\. R a RStudio: prostředí

2\. Základní funkce a operace

**3\. Práce s tabulkovými daty**

4\. Nástroje na tvorbu výstupů

---
class: large

# Tidyverse: co to je

- sada balíků s podobnými principy používání
- postaveno na potřebách práce s tabulkovými daty (řádky, sloupce)
- vychází z analogie s gramatikou: pro každou oblast existuje sada základních sloves
- odpovídá logice datové analýzy

---
class: left, top

# Tidyverse: základní logika
.center.middle[
![](tidyverse-diagrams.png)
]

---
class: large

# Co balík, to sada úloh datové analýzy

---
class: large

# Co balík, to řešení sady problémů datové analýzy

- `readr` načítání dat z textových souborů (CSV, TSV)
- `readxl`: import dat z Excelu
- `dplyr`: základní manipulace s daty
- `tidyr` na čištění a úpravu dat
- `stringr`: práce s textem
- `lubridate` práce s datumy a časy
- `ggplot2`: vizualizace dat

---
class: large, center, middle

[dplyr.tidyverse.org](https://dplyr.tidyverse.org)

[readr.tidyverse.org](https://dplyr.tidyverse.org)

...

Reference | Articles

---

## Další:

- `forcats` na práci s faktory (kategorická data)
- `httr` a `rvest` na stahování a scrapeování dat z webu
- `tibble` na tvorbu data frames
- `glue` na slepování textu / textu a dat
- `purrr` na opakování operací pro různé vstupy

## Související mimo tidyverse:

- `haven` na načítání dan např. z SPSS
- `DBI` a další: kontakt s databázemi
- `writexl` na export dat do z Excelu
- `sf` na práci s geografickými daty

---

*Slovesa* v tidyverse (balíky `dplyr` a `tidyr`)

- `filter`: výběr řádků podle pravidla
- `mutate`: výpočty ze sloupců
- `summarise`: souhrn  pomocí funkce
- `group_by`: operace po skupinách
- `select`: výběr sloupců (jako v SQL)
- `arrange`: řazení
- `join_*:` spojení dvou tabulek podle klíče
- `pivot_*:` tvarování ("dlouhý" <=> "krátký" formát

---

Další užitečné

- `count`
- `starts_with` / `ends_with` / `matches`
- `distinct`
- `n_distinct`
- `rename`
- `recode`
- `separate / unite`
- `bind_rows`

---
## Ještě jedna věc: `%>%` (pipe)

`%>%` posilá výstup funkce vlevo jako první argument to funkce vpravo.

```r
summarise(
  filter(
    select(gdta, date, zmena), 
    date > "2020-10-01"),
  min_zmena = min(zmena, na.rm = T))
```

```
# A tibble: 1 x 1
  min_zmena
      <dbl>
1       -91
```
]

```r
gdta %>%
  select(date, zmena) %>% 
  filter(date > "2020-10-01") %>% 
  summarise(min_zmena = min(zmena, na.rm = T))
```

```
# A tibble: 1 x 1
  min_zmena
      <dbl>
1       -91
```
]

Je to přehlednější a praktičtější: nemusíme číst složené funkce odprostřed, ale vidíme jednotlivé kroky.

`Cmd/Ctrl + Shift + M`

---
## Srovnání práce v 'base' R a tidyverse

```r
x <- gdta[gdta$zmena < -45,]
x <- x[,c("kategorie", "zmena")]
x
```

```
# A tibble: 33,515 x 2
   kategorie             zmena
   <chr>                 <dbl>
 1 retail_and_recreation   -56
 2 retail_and_recreation   -57
 3 retail_and_recreation   -61
 4 transit_stations        -50
 5 retail_and_recreation   -65
 6 transit_stations        -56
 7 retail_and_recreation   -65
 8 transit_stations        -55
 9 retail_and_recreation   -67
10 transit_stations        -58
# … with 33,505 more rows
```
]

```r
gdta %>% 
  filter(zmena < -45) %>% 
  select(kategorie, zmena)
```

```
# A tibble: 9,406 x 2
   kategorie             zmena
   <chr>                 <dbl>
 1 retail_and_recreation   -56
 2 retail_and_recreation   -57
 3 retail_and_recreation   -61
 4 transit_stations        -50
 5 retail_and_recreation   -65
 6 transit_stations        -56
 7 retail_and_recreation   -65
 8 transit_stations        -55
 9 retail_and_recreation   -67
10 transit_stations        -58
# … with 9,396 more rows
```
]

---

# Tidyverse: ukázka

---

```r
*gdta
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 147,396 x 5
   sub_region_1 kategorie             zmena date       country_region
   <chr>        <chr>                 <dbl> <date>     <chr>         
 1 <NA>         retail_and_recreation    13 2020-02-15 Czechia       
 2 <NA>         grocery_and_pharmacy      8 2020-02-15 Czechia       
 3 <NA>         parks                    37 2020-02-15 Czechia       
 4 <NA>         transit_stations         14 2020-02-15 Czechia       
 5 <NA>         workplaces                3 2020-02-15 Czechia       
 6 <NA>         residential              -2 2020-02-15 Czechia       
 7 <NA>         retail_and_recreation    12 2020-02-16 Czechia       
 8 <NA>         grocery_and_pharmacy      8 2020-02-16 Czechia       
 9 <NA>         parks                    28 2020-02-16 Czechia       
10 <NA>         transit_stations          9 2020-02-16 Czechia       
# … with 147,386 more rows
```
]

---
count: false

```r
gdta %>%
* select(-country_region)
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 147,396 x 4
   sub_region_1 kategorie             zmena date      
   <chr>        <chr>                 <dbl> <date>    
 1 <NA>         retail_and_recreation    13 2020-02-15
 2 <NA>         grocery_and_pharmacy      8 2020-02-15
 3 <NA>         parks                    37 2020-02-15
 4 <NA>         transit_stations         14 2020-02-15
 5 <NA>         workplaces                3 2020-02-15
 6 <NA>         residential              -2 2020-02-15
 7 <NA>         retail_and_recreation    12 2020-02-16
 8 <NA>         grocery_and_pharmacy      8 2020-02-16
 9 <NA>         parks                    28 2020-02-16
10 <NA>         transit_stations          9 2020-02-16
# … with 147,386 more rows
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
* rename(kraj_nazev = sub_region_1)
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 147,396 x 4
   kraj_nazev kategorie             zmena date      
   <chr>      <chr>                 <dbl> <date>    
 1 <NA>       retail_and_recreation    13 2020-02-15
 2 <NA>       grocery_and_pharmacy      8 2020-02-15
 3 <NA>       parks                    37 2020-02-15
 4 <NA>       transit_stations         14 2020-02-15
 5 <NA>       workplaces                3 2020-02-15
 6 <NA>       residential              -2 2020-02-15
 7 <NA>       retail_and_recreation    12 2020-02-16
 8 <NA>       grocery_and_pharmacy      8 2020-02-16
 9 <NA>       parks                    28 2020-02-16
10 <NA>       transit_stations          9 2020-02-16
# … with 147,386 more rows
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
  rename(kraj_nazev = sub_region_1) %>%
* filter(date > "2020-10-01")
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 23,478 x 4
   kraj_nazev kategorie             zmena date      
   <chr>      <chr>                 <dbl> <date>    
 1 <NA>       retail_and_recreation   -10 2020-10-02
 2 <NA>       grocery_and_pharmacy     13 2020-10-02
 3 <NA>       parks                    26 2020-10-02
 4 <NA>       transit_stations         -2 2020-10-02
 5 <NA>       workplaces               -7 2020-10-02
 6 <NA>       residential               0 2020-10-02
 7 <NA>       retail_and_recreation   -10 2020-10-03
 8 <NA>       grocery_and_pharmacy      8 2020-10-03
 9 <NA>       parks                    66 2020-10-03
10 <NA>       transit_stations          1 2020-10-03
# … with 23,468 more rows
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
  rename(kraj_nazev = sub_region_1) %>%
  filter(date > "2020-10-01") %>%
* mutate(zmena_dec = zmena/100)
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 23,478 x 5
   kraj_nazev kategorie             zmena date       zmena_dec
   <chr>      <chr>                 <dbl> <date>         <dbl>
 1 <NA>       retail_and_recreation   -10 2020-10-02     -0.1 
 2 <NA>       grocery_and_pharmacy     13 2020-10-02      0.13
 3 <NA>       parks                    26 2020-10-02      0.26
 4 <NA>       transit_stations         -2 2020-10-02     -0.02
 5 <NA>       workplaces               -7 2020-10-02     -0.07
 6 <NA>       residential               0 2020-10-02      0   
 7 <NA>       retail_and_recreation   -10 2020-10-03     -0.1 
 8 <NA>       grocery_and_pharmacy      8 2020-10-03      0.08
 9 <NA>       parks                    66 2020-10-03      0.66
10 <NA>       transit_stations          1 2020-10-03      0.01
# … with 23,468 more rows
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
  rename(kraj_nazev = sub_region_1) %>%
  filter(date > "2020-10-01") %>%
  mutate(zmena_dec = zmena/100) %>%
* select(-zmena)
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 23,478 x 4
   kraj_nazev kategorie             date       zmena_dec
   <chr>      <chr>                 <date>         <dbl>
 1 <NA>       retail_and_recreation 2020-10-02     -0.1 
 2 <NA>       grocery_and_pharmacy  2020-10-02      0.13
 3 <NA>       parks                 2020-10-02      0.26
 4 <NA>       transit_stations      2020-10-02     -0.02
 5 <NA>       workplaces            2020-10-02     -0.07
 6 <NA>       residential           2020-10-02      0   
 7 <NA>       retail_and_recreation 2020-10-03     -0.1 
 8 <NA>       grocery_and_pharmacy  2020-10-03      0.08
 9 <NA>       parks                 2020-10-03      0.66
10 <NA>       transit_stations      2020-10-03      0.01
# … with 23,468 more rows
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
  rename(kraj_nazev = sub_region_1) %>%
  filter(date > "2020-10-01") %>%
  mutate(zmena_dec = zmena/100) %>%
  select(-zmena) %>%
* group_by(kraj_nazev, kategorie)
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 23,478 x 4
# Groups:   kraj_nazev, kategorie [90]
   kraj_nazev kategorie             date       zmena_dec
   <chr>      <chr>                 <date>         <dbl>
 1 <NA>       retail_and_recreation 2020-10-02     -0.1 
 2 <NA>       grocery_and_pharmacy  2020-10-02      0.13
 3 <NA>       parks                 2020-10-02      0.26
 4 <NA>       transit_stations      2020-10-02     -0.02
 5 <NA>       workplaces            2020-10-02     -0.07
 6 <NA>       residential           2020-10-02      0   
 7 <NA>       retail_and_recreation 2020-10-03     -0.1 
 8 <NA>       grocery_and_pharmacy  2020-10-03      0.08
 9 <NA>       parks                 2020-10-03      0.66
10 <NA>       transit_stations      2020-10-03      0.01
# … with 23,468 more rows
```
]

---
count: false

```
# A tibble: 23,478 x 6
# Groups:   kraj_nazev, kategorie [90]
   kraj_nazev kategorie             date       zmena_dec zmena_min zmena_max
   <chr>      <chr>                 <date>         <dbl>     <dbl>     <dbl>
 1 <NA>       retail_and_recreation 2020-10-02     -0.1      -0.79     -0.03
 2 <NA>       grocery_and_pharmacy  2020-10-02      0.13     -0.85      0.27
 3 <NA>       parks                 2020-10-02      0.26     -0.36      0.66
 4 <NA>       transit_stations      2020-10-02     -0.02     -0.56      0.01
 5 <NA>       workplaces            2020-10-02     -0.07     -0.74      0.05
 6 <NA>       residential           2020-10-02      0        -0.02      0.26
 7 <NA>       retail_and_recreation 2020-10-03     -0.1      -0.79     -0.03
 8 <NA>       grocery_and_pharmacy  2020-10-03      0.08     -0.85      0.27
 9 <NA>       parks                 2020-10-03      0.66     -0.36      0.66
10 <NA>       transit_stations      2020-10-03      0.01     -0.56      0.01
# … with 23,468 more rows
```
]

---
count: false

```
# A tibble: 90 x 3
# Groups:   kraj_nazev [15]
   kraj_nazev              kategorie               zmena_p
   <chr>                   <chr>                     <dbl>
 1 Central Bohemian Region grocery_and_pharmacy   0.0576  
 2 Central Bohemian Region parks                  0.237   
 3 Central Bohemian Region residential            0.107   
 4 Central Bohemian Region retail_and_recreation -0.272   
 5 Central Bohemian Region transit_stations      -0.0555  
 6 Central Bohemian Region workplaces            -0.200   
 7 Hradec Králové Region   grocery_and_pharmacy   0.000736
 8 Hradec Králové Region   parks                  0.156   
 9 Hradec Králové Region   residential            0.0964  
10 Hradec Králové Region   retail_and_recreation -0.364   
# … with 80 more rows
```
]

---
count: false

```
# A tibble: 90 x 3
   kraj_nazev              kategorie               zmena_p
   <chr>                   <chr>                     <dbl>
 1 Central Bohemian Region grocery_and_pharmacy   0.0576  
 2 Central Bohemian Region parks                  0.237   
 3 Central Bohemian Region residential            0.107   
 4 Central Bohemian Region retail_and_recreation -0.272   
 5 Central Bohemian Region transit_stations      -0.0555  
 6 Central Bohemian Region workplaces            -0.200   
 7 Hradec Králové Region   grocery_and_pharmacy   0.000736
 8 Hradec Králové Region   parks                  0.156   
 9 Hradec Králové Region   residential            0.0964  
10 Hradec Králové Region   retail_and_recreation -0.364   
# … with 80 more rows
```
]

---
count: false

```
# A tibble: 90 x 3
   kraj_nazev               kategorie              zmena_p
   <chr>                    <chr>                    <dbl>
 1 Prague                   grocery_and_pharmacy -0.0381  
 2 Zlín Region              grocery_and_pharmacy -0.0257  
 3 Karlovy Vary Region      grocery_and_pharmacy -0.00262 
 4 Hradec Králové Region    grocery_and_pharmacy  0.000736
 5 <NA>                     grocery_and_pharmacy  0.00651 
 6 South Bohemian Region    grocery_and_pharmacy  0.0154  
 7 Moravian-Silesian Region grocery_and_pharmacy  0.0190  
 8 Olomouc Region           grocery_and_pharmacy  0.0287  
 9 Liberec Region           grocery_and_pharmacy  0.0312  
10 Pardubice Region         grocery_and_pharmacy  0.0433  
# … with 80 more rows
```
]

---
count: false

```
# A tibble: 90 x 3
   kraj_nazev               kategorie            zmena_p
   <chr>                    <chr>                  <dbl>
 1 South Moravian Region    grocery_and_pharmacy  0.0658
 2 Ústí nad Labem Region    grocery_and_pharmacy  0.0599
 3 Central Bohemian Region  grocery_and_pharmacy  0.0576
 4 Vysočina Region          grocery_and_pharmacy  0.0516
 5 Plzeň Region             grocery_and_pharmacy  0.0445
 6 Pardubice Region         grocery_and_pharmacy  0.0433
 7 Liberec Region           grocery_and_pharmacy  0.0312
 8 Olomouc Region           grocery_and_pharmacy  0.0287
 9 Moravian-Silesian Region grocery_and_pharmacy  0.0190
10 South Bohemian Region    grocery_and_pharmacy  0.0154
# … with 80 more rows
```
]

---
count: false

```
# A tibble: 15 x 3
   kraj_nazev               kategorie  zmena_p
   <chr>                    <chr>        <dbl>
 1 Karlovy Vary Region      workplaces  -0.167
 2 Ústí nad Labem Region    workplaces  -0.177
 3 Pardubice Region         workplaces  -0.179
 4 Olomouc Region           workplaces  -0.182
 5 Plzeň Region             workplaces  -0.183
 6 Liberec Region           workplaces  -0.19 
 7 Zlín Region              workplaces  -0.193
 8 South Bohemian Region    workplaces  -0.195
 9 Vysočina Region          workplaces  -0.198
10 Moravian-Silesian Region workplaces  -0.200
11 Central Bohemian Region  workplaces  -0.200
12 Hradec Králové Region    workplaces  -0.203
13 South Moravian Region    workplaces  -0.224
14 <NA>                     workplaces  -0.229
15 Prague                   workplaces  -0.363
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
  rename(kraj_nazev = sub_region_1) %>%
  filter(date > "2020-10-01") %>%
  mutate(zmena_dec = zmena/100) %>%
  select(-zmena) %>%
  group_by(kraj_nazev, kategorie) %>%
  mutate(zmena_min = min(zmena_dec, na.rm = T),
         zmena_max = max(zmena_dec, na.rm = T)) %>%
  summarise(zmena_p = mean(zmena_dec, na.rm = T)) %>%
  ungroup() %>%
  arrange(kategorie, zmena_p) %>%
  arrange(kategorie, desc(zmena_p)) %>%
  filter(kategorie == "workplaces") %>%
* replace_na(list(kraj_nazev = "Celá ČR"))
```
]
 
.panel2-tidyverse-priklad-auto[

```
# A tibble: 15 x 3
   kraj_nazev               kategorie  zmena_p
   <chr>                    <chr>        <dbl>
 1 Karlovy Vary Region      workplaces  -0.167
 2 Ústí nad Labem Region    workplaces  -0.177
 3 Pardubice Region         workplaces  -0.179
 4 Olomouc Region           workplaces  -0.182
 5 Plzeň Region             workplaces  -0.183
 6 Liberec Region           workplaces  -0.19 
 7 Zlín Region              workplaces  -0.193
 8 South Bohemian Region    workplaces  -0.195
 9 Vysočina Region          workplaces  -0.198
10 Moravian-Silesian Region workplaces  -0.200
11 Central Bohemian Region  workplaces  -0.200
12 Hradec Králové Region    workplaces  -0.203
13 South Moravian Region    workplaces  -0.224
14 Celá ČR                  workplaces  -0.229
15 Prague                   workplaces  -0.363
```
]

---
count: false

```r
gdta %>%
  select(-country_region) %>%
  rename(kraj_nazev = sub_region_1) %>%
  filter(date > "2020-10-01") %>%
  mutate(zmena_dec = zmena/100) %>%
  select(-zmena) %>%
  group_by(kraj_nazev, kategorie) %>%
  mutate(zmena_min = min(zmena_dec, na.rm = T),
         zmena_max = max(zmena_dec, na.rm = T)) %>%
  summarise(zmena_p = mean(zmena_dec, na.rm = T)) %>%
  ungroup() %>%
  arrange(kategorie, zmena_p) %>%
  arrange(kategorie, desc(zmena_p)) %>%
  filter(kategorie == "workplaces") %>%
  replace_na(list(kraj_nazev = "Celá ČR")) %>%
* gt::gt()
```
]
 
.panel2-tidyverse-priklad-auto[
<style>html {
  font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, Oxygen, Ubuntu, Cantarell, 'Helvetica Neue', 'Fira Sans', 'Droid Sans', Arial, sans-serif;
}

#znmdpaefzy .gt_table {
  display: table;
  border-collapse: collapse;
  margin-left: auto;
  margin-right: auto;
  color: #333333;
  font-size: 16px;
  font-weight: normal;
  font-style: normal;
  background-color: #FFFFFF;
  width: auto;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #A8A8A8;
  border-right-style: none;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #A8A8A8;
  border-left-style: none;
  border-left-width: 2px;
  border-left-color: #D3D3D3;
}

#znmdpaefzy .gt_heading {
  background-color: #FFFFFF;
  text-align: center;
  border-bottom-color: #FFFFFF;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
}

#znmdpaefzy .gt_title {
  color: #333333;
  font-size: 125%;
  font-weight: initial;
  padding-top: 4px;
  padding-bottom: 4px;
  border-bottom-color: #FFFFFF;
  border-bottom-width: 0;
}

#znmdpaefzy .gt_subtitle {
  color: #333333;
  font-size: 85%;
  font-weight: initial;
  padding-top: 0;
  padding-bottom: 4px;
  border-top-color: #FFFFFF;
  border-top-width: 0;
}

#znmdpaefzy .gt_bottom_border {
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
}

#znmdpaefzy .gt_col_headings {
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
}

#znmdpaefzy .gt_col_heading {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: normal;
  text-transform: inherit;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
  vertical-align: bottom;
  padding-top: 5px;
  padding-bottom: 6px;
  padding-left: 5px;
  padding-right: 5px;
  overflow-x: hidden;
}

#znmdpaefzy .gt_column_spanner_outer {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: normal;
  text-transform: inherit;
  padding-top: 0;
  padding-bottom: 0;
  padding-left: 4px;
  padding-right: 4px;
}

#znmdpaefzy .gt_column_spanner_outer:first-child {
  padding-left: 0;
}

#znmdpaefzy .gt_column_spanner_outer:last-child {
  padding-right: 0;
}

#znmdpaefzy .gt_column_spanner {
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  vertical-align: bottom;
  padding-top: 5px;
  padding-bottom: 6px;
  overflow-x: hidden;
  display: inline-block;
  width: 100%;
}

#znmdpaefzy .gt_group_heading {
  padding: 8px;
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  text-transform: inherit;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
  vertical-align: middle;
}

#znmdpaefzy .gt_empty_group_heading {
  padding: 0.5px;
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  vertical-align: middle;
}

#znmdpaefzy .gt_from_md > :first-child {
  margin-top: 0;
}

#znmdpaefzy .gt_from_md > :last-child {
  margin-bottom: 0;
}

#znmdpaefzy .gt_row {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  margin: 10px;
  border-top-style: solid;
  border-top-width: 1px;
  border-top-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 1px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 1px;
  border-right-color: #D3D3D3;
  vertical-align: middle;
  overflow-x: hidden;
}

#znmdpaefzy .gt_stub {
  color: #333333;
  background-color: #FFFFFF;
  font-size: 100%;
  font-weight: initial;
  text-transform: inherit;
  border-right-style: solid;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
  padding-left: 12px;
}

#znmdpaefzy .gt_summary_row {
  color: #333333;
  background-color: #FFFFFF;
  text-transform: inherit;
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
}

#znmdpaefzy .gt_first_summary_row {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
}

#znmdpaefzy .gt_grand_summary_row {
  color: #333333;
  background-color: #FFFFFF;
  text-transform: inherit;
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
}

#znmdpaefzy .gt_first_grand_summary_row {
  padding-top: 8px;
  padding-bottom: 8px;
  padding-left: 5px;
  padding-right: 5px;
  border-top-style: double;
  border-top-width: 6px;
  border-top-color: #D3D3D3;
}

#znmdpaefzy .gt_striped {
  background-color: rgba(128, 128, 128, 0.05);
}

#znmdpaefzy .gt_table_body {
  border-top-style: solid;
  border-top-width: 2px;
  border-top-color: #D3D3D3;
  border-bottom-style: solid;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
}

#znmdpaefzy .gt_footnotes {
  color: #333333;
  background-color: #FFFFFF;
  border-bottom-style: none;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 2px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
}

#znmdpaefzy .gt_footnote {
  margin: 0px;
  font-size: 90%;
  padding: 4px;
}

#znmdpaefzy .gt_sourcenotes {
  color: #333333;
  background-color: #FFFFFF;
  border-bottom-style: none;
  border-bottom-width: 2px;
  border-bottom-color: #D3D3D3;
  border-left-style: none;
  border-left-width: 2px;
  border-left-color: #D3D3D3;
  border-right-style: none;
  border-right-width: 2px;
  border-right-color: #D3D3D3;
}

#znmdpaefzy .gt_sourcenote {
  font-size: 90%;
  padding: 4px;
}

#znmdpaefzy .gt_left {
  text-align: left;
}

#znmdpaefzy .gt_center {
  text-align: center;
}

#znmdpaefzy .gt_right {
  text-align: right;
  font-variant-numeric: tabular-nums;
}

#znmdpaefzy .gt_font_normal {
  font-weight: normal;
}

#znmdpaefzy .gt_font_bold {
  font-weight: bold;
}

#znmdpaefzy .gt_font_italic {
  font-style: italic;
}

#znmdpaefzy .gt_super {
  font-size: 65%;
}

#znmdpaefzy .gt_footnote_marks {
  font-style: italic;
  font-size: 65%;
}
</style>
<div id="znmdpaefzy" style="overflow-x:auto;overflow-y:auto;width:auto;height:auto;"><table class="gt_table">
  
  <thead class="gt_col_headings">
    <tr>
      <th class="gt_col_heading gt_columns_bottom_border gt_left" rowspan="1" colspan="1">kraj_nazev</th>
      <th class="gt_col_heading gt_columns_bottom_border gt_left" rowspan="1" colspan="1">kategorie</th>
      <th class="gt_col_heading gt_columns_bottom_border gt_right" rowspan="1" colspan="1">zmena_p</th>
    </tr>
  </thead>
  <tbody class="gt_table_body">
    <tr>
      <td class="gt_row gt_left">Karlovy Vary Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1673256</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Ústí nad Labem Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1773547</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Pardubice Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1793488</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Olomouc Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1820543</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Plzeň Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1829360</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Liberec Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1900000</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Zlín Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1933023</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">South Bohemian Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1953779</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Vysočina Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1976357</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Moravian-Silesian Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.1996013</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Central Bohemian Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.2003936</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Hradec Králové Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.2026357</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">South Moravian Region</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.2244767</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Celá ČR</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.2293023</td>
    </tr>
    <tr>
      <td class="gt_row gt_left">Prague</td>
      <td class="gt_row gt_left">workplaces</td>
      <td class="gt_row gt_right">-0.3634884</td>
    </tr>
  </tbody>
  
  
</table></div>
]

---
# Tidy data

- co řádek, to pozorování
- co sloupec, to hodnota
- každý typ pozorované jednotky je ve své vlastní tabulce
]

- lépe se s tím pracuje (filtr atd.)
- lépe se to vizualizuje
- lépe se v tom vyznám (je jasné, co je hodnota)
]

Zdroj: https://cran.r-project.org/web/packages/tidyr/vignettes/tidy-data.html

---
# Tidy data: příklady

## Untidy

<table>
 <thead>
  <tr>
   <th style="text-align:left;"> date </th>
   <th style="text-align:left;"> sub_region_1 </th>
   <th style="text-align:left;"> transit </th>
   <th style="text-align:left;"> retail </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Central Bohemian Region </td>
   <td style="text-align:left;"> 18 pct </td>
   <td style="text-align:left;"> 17 pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Hradec Králové Region </td>
   <td style="text-align:left;"> 6 pct </td>
   <td style="text-align:left;"> 6 pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Karlovy Vary Region </td>
   <td style="text-align:left;"> 18 pct </td>
   <td style="text-align:left;"> 19 pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Liberec Region </td>
   <td style="text-align:left;"> 18 pct </td>
   <td style="text-align:left;"> 14 pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Moravian-Silesian Region </td>
   <td style="text-align:left;"> 16 pct </td>
   <td style="text-align:left;"> 18 pct </td>
  </tr>
</tbody>
</table>

---

# Tidy data: příklady

## Tidy

<table>
 <thead>
  <tr>
   <th style="text-align:left;"> date </th>
   <th style="text-align:left;"> sub_region_1 </th>
   <th style="text-align:left;"> kategorie </th>
   <th style="text-align:right;"> zmena </th>
   <th style="text-align:left;"> jednotka </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Central Bohemian Region </td>
   <td style="text-align:left;"> transit </td>
   <td style="text-align:right;"> 18 </td>
   <td style="text-align:left;"> pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Central Bohemian Region </td>
   <td style="text-align:left;"> retail </td>
   <td style="text-align:right;"> 17 </td>
   <td style="text-align:left;"> pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Hradec Králové Region </td>
   <td style="text-align:left;"> transit </td>
   <td style="text-align:right;"> 6 </td>
   <td style="text-align:left;"> pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Hradec Králové Region </td>
   <td style="text-align:left;"> retail </td>
   <td style="text-align:right;"> 6 </td>
   <td style="text-align:left;"> pct </td>
  </tr>
  <tr>
   <td style="text-align:left;"> 2020-02-16 </td>
   <td style="text-align:left;"> Karlovy Vary Region </td>
   <td style="text-align:left;"> transit </td>
   <td style="text-align:right;"> 18 </td>
   <td style="text-align:left;"> pct </td>
  </tr>
</tbody>
</table>

Taky někdy "dlouhá" a "široká."

Pro různé účely jsou potřeba různé tvary.

Balíky `dplyr` a `tidyr` pomůžou data přeskládat z jednoho tvaru do druhého (`pivot_wider()` a `pivot_longer()`).

---
## Tvary dat: `pivot_longer()/wider()`

![](tidyr-spread-gather.gif)
Zdroj: https://github.com/gadenbuie/tidyexplain

---

## Propojování dat: `left_join()`

![](left-join.gif)

---

otevřete `02_tabulkova-data.R`

---

# Grammar of Graphics: `ggplot2`

Logika, jak přemýšlet o vizualizaci dat: o tom, jak se z čísel stává něco viditelného.

Standardní logika: milý Excele, namaluj mi *sloupcový graf*. Tady máš několik datových řad, něco s nimi udělej.

Logika GG: každý graf má nějaké grafické prvky, které budu kreslit podle toho, na jaká data je navážu, napr:
- osa x, osa y: `x = `,` y =`
- barva/obrys bodu/prvku, průhlednost: `colour`, `alpha`
- velikost bodu: `size`
- rozdělení grafu na víc panelů podle proměnné: `facet_wrap()`, `facet_grid()`
- škály (barevné, číselné - např. logaritmické, velikostní), `scale_*()`
- souřadnicové systémy (standardní karteziánská, polární, geografické): `coord_*()`

```
library(ggplot2)
```

---

```r
ggplot()
```

---

```r
ggplot(data = gdta_rij, mapping = aes(x = date, y = zmena)) +
  geom_line()
```

NB vrstvy se přidávají znamínkem `+`

---

```r
ggplot(data = gdta_rij, mapping = aes(x = date, y = zmena)) +
* geom_line(aes(colour = kategorie))
```

---

Uvnitř `mapping = aes(...)` se přiřazují proměnné, vně se přiřazují konstanty.

```r
ggplot(data = gdta_rij,
       mapping = aes(x = date, y = zmena)) +
* geom_line(aes(colour = kategorie))
```

<img src="index_files/figure-html/unnamed-chunk-15-1.png" width="504" />
]
.pull-right[

```r
ggplot(data = gdta_rij, 
       mapping = aes(x = date, y = zmena)) +
* geom_line(colour = "red",
            aes(group = kategorie))
```

<img src="index_files/figure-html/unnamed-chunk-16-1.png" width="504" />
]

---

```r
*ggplot(gdta_rij,
*      aes(x = date, y = zmena))
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_01_output-1.png" width="504" />
]

---
count: false

```r
ggplot(gdta_rij,
       aes(x = date, y = zmena)) +
* geom_line(aes(colour = kategorie),
*           size = .5)
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_02_output-1.png" width="504" />
]

---
count: false

```r
ggplot(gdta_rij,
       aes(x = date, y = zmena)) +
  geom_line(aes(colour = kategorie),
            size = .5) +
* facet_wrap(vars(kategorie))
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_03_output-1.png" width="504" />
]

---
count: false

```r
ggplot(gdta_rij,
       aes(x = date, y = zmena)) +
  geom_line(aes(colour = kategorie),
            size = .5) +
  facet_wrap(vars(kategorie)) +
* geom_smooth(aes(colour = kategorie))
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_04_output-1.png" width="504" />
]

---
count: false

```r
ggplot(gdta_rij,
       aes(x = date, y = zmena)) +
  geom_line(aes(colour = kategorie),
            size = .5) +
  facet_wrap(vars(kategorie)) +
  geom_smooth(aes(colour = kategorie)) +
* scale_colour_brewer(palette = "Set1")
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_05_output-1.png" width="504" />
]

---
count: false

```r
ggplot(gdta_rij,
       aes(x = date, y = zmena)) +
  geom_line(aes(colour = kategorie),
            size = .5) +
  facet_wrap(vars(kategorie)) +
  geom_smooth(aes(colour = kategorie)) +
  scale_colour_brewer(palette = "Set1") +
* theme(
*   panel.background = element_rect(fill = "grey95"),
*   legend.position = "none"
*   )
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_06_output-1.png" width="504" />
]

---
count: false

```r
ggplot(gdta_rij,
       aes(x = date, y = zmena)) +
  geom_line(aes(colour = kategorie),
            size = .5) +
  facet_wrap(vars(kategorie)) +
  geom_smooth(aes(colour = kategorie)) +
  scale_colour_brewer(palette = "Set1") +
  theme(
    panel.background = element_rect(fill = "grey95"),
    legend.position = "none"
    ) +
* labs(
*   title = "Aktivita podle krajů a typu míst",
*   x = NULL,
*   subtitle = "Změna proti normálnímu stavu",
*   y = NULL
*   )
```
]
 
.panel2-ggplot-priklad-auto[
<img src="index_files/figure-html/ggplot-priklad_auto_07_output-1.png" width="504" />
]

---
class: middle, large

1\. R a RStudio: prostředí

2\. Základní funkce a operace

3\. Práce s tabulkovými daty

**4\. Nástroje na tvorbu výstupů**

---
# RMarkdown = R + Markdown

Proč počítat a psát zvlášť? Text v Markdown + kód v R = Rmarkdown

Kód v R se do dokumentu vkládá v tzv. *code chunks*. Ty vypadají takhle:

````
```{r, eval=TRUE}
1 + 1
```
````

Vytváří se `Ctrl/Cmd+Alt+I`

Chunks můžete spouštět samostatně v průběhu analýzy (`Ctrl/Cmd+Shift+Enter`) a výstup se ukáže hned pod kódem.

Na konci se pak celý dokument zprocesuje čudlíkem "Knit". Výsledkem může být *HTML stránka*, *word*ový dokument nebo *PDF*.

# RMarkdown: přínos

- nemusím kopírovat grafy a čísla tam a zpět
- reprodukovatelnost celé práce
- zmáčknutím čudlíku mám celý report aktualizovaný
- text blízko čísel a grafů - víc času na přemýšlení, míň na přepínání
- vše je jen text: můžu snadno srovnat, co se změnilo

---

## Markdown

Jednoduchý "jazyk", umožňující textovými značkami říct, jak má text vypadat

Např.

`**tučný text**`

`*kurzíva*`

<br />

`### Nadpis 3`

Odkaz: `<https://google.com>`

a `[odkaz s textem](https://google.com)`

Kód přímo v textu: dnes je `` 2020-11-18 ``

]

**tučný text**

*kurzíva*

### Nadpis 3

Odkaz: <https://google.com>

a [odkaz s textem](https://google.com)

Kód přímo v textu: dnes je 2020-11-18

]

---

otevřete `03_report-reseni.Rmd`

---

# Kam dál

## Širší nástroje

- Git a Github: verzování kódu a spolupráce
- Šablony pro Rmarkdown (Word, PDF)

]

## R

- Pokročilé úpravy dat (`stringr`, `dplyr::across()`)
- Faktory (balík `forcats`)
- Přístup do databází, viz [db.rstudio.com](https://db.rstudio.com)
- Vizuální styly na míru (`ggplot2::theme()`)
- Tabulky (např. balík `gt`)

## Otevřená data v R

viz [tento dokument](https://petrbouchal.xyz/slides/pssau2020-07/)

]

---

# Kam dál: online knihy

viz část ["Kam dál po workshopu" na webu kurzu](https://petrbouchal.xyz/eval2020)

---
class: middle, center, inverse

(Tato prezentace je také reprodukovatelná: Viz [<span style="text-decoration: underline; color: #fff">kód</span>](https://github.com/petrbouchal/eval2020/blob/main/docs/slides/index.Rmd).)

Prezentaci samotnou najdete na [<span style="text-decoration: underline; color: #fff">petrbouchal.xyz/eval2020/slides</span>](https://petrbouchal.xyz/eval2020/slides).

]

---

# Poděkování

EJ NOK MMR

Tvůrci tidyverse

Yihui Xie, tvůrce balíku xaringan (nástroj těchto slidů)

Garick Aden-Buie: balíky xaringanExtra, xaringanthemr

flipbookr

---

.large[
<a href="https://twitter.com/petrbouchal"><svg style="height:0.8em;top:.04em;position:relative;fill:white;" viewBox="0 0 512 512"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg></a> <a href="https://github.com/petrbouchal"><svg style="height:0.8em;top:.04em;position:relative;fill:white;" viewBox="0 0 496 512"><path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"/></svg></a> <a href="https://linkedin.com/in/petrbouchal"><svg style="height:0.8em;top:.04em;position:relative;fill:white;" viewBox="0 0 448 512"><path d="M416 32H31.9C14.3 32 0 46.5 0 64.3v383.4C0 465.5 14.3 480 31.9 480H416c17.6 0 32-14.5 32-32.3V64.3c0-17.8-14.4-32.3-32-32.3zM135.4 416H69V202.2h66.5V416zm-33.2-243c-21.3 0-38.5-17.3-38.5-38.5S80.9 96 102.2 96c21.2 0 38.5 17.3 38.5 38.5 0 21.3-17.2 38.5-38.5 38.5zm282.1 243h-66.4V312c0-24.8-.5-56.7-34.5-56.7-34.6 0-39.9 27-39.9 54.9V416h-66.4V202.2h63.7v29.2h.9c8.9-16.8 30.6-34.5 62.9-34.5 67.2 0 79.7 44.3 79.7 101.9V416z"/></svg></a> petrbouchal

pbouchal@gmail.com

]