# PRINCIPAL COMPONENT ANALYSIS
###################################
#install.packages("FactoMineR")
library(FactoMineR)

# IRIS DATA

head(iris)

# faire l'ACP, en indiquant que la colonne 5 est qualitative
myPCA=PCA(iris, scale.unit=TRUE, ncp=4, graph=F,quali.sup=5)

myPCA$eig[,2]
barplot(myPCA$eig[,2], main="Histogram of eigen values", names.arg=rownames(myPCA$eig), xlab="Axes", ylab="Pourcentage d’inertie")
# on va s'interesser aux axes 1 et 2
plot.PCA(myPCA, axes=c(1, 2), choix="var")
#plot.PCA(myPCA, axes=c(1, 3), choix="var")

# graphe des individus
# habillage = 5 => coloration des individus en fonction de la 5eme colonne
plot.PCA(myPCA, axes=c(1, 2), choix="ind",habillage=5, col.hab=c("cyan","purple","red"))


# Analyse Lineaire Discriminante
library(MASS)
myLDA <- lda(formula = Species ~ ., data = iris, prior = c(1,1,1)/3)
plot(myLDA,col=as.numeric(iris$Species))

myLDA

# MAIZE DATA

tab<-read.table("maize_data.csv",header=T,sep=";")

# create a data frame with a subset of variables 
# individus colores en fonction du genotype au marqueur ELF3 (colonne 2)
tabPCA<-tab[,c(2,4:9)] # on garde les colonnes 2, 4 à 9 with genotype as qualitative
myPCA=PCA(tabPCA, scale.unit=TRUE, graph=F,quali.sup=1)
barplot(myPCA$eig[,2], main="Histogram of eigen values", names.arg=rownames(myPCA$eig), xlab="Axes", ylab="Inertia percentage")
# my comments 
plot.PCA(myPCA, axes=c(1, 2), choix="var")
plot.PCA(myPCA, axes=c(1, 2), choix="ind",habillage=1,label="none")
  


# individus colores en fonction de l origine (colonne 3)
tabPCA<-tab[,c(3:9)] # on garde les colonnes 2, 4 à 9 with genotype as qualitative
myPCA=PCA(tabPCA, scale.unit=TRUE, graph=F,quali.sup=1)
barplot(myPCA$eig[,2], main="Histogram of eigen values", names.arg=rownames(myPCA$eig), xlab="Axes", ylab="Inertia percentage")
# my comments 
plot.PCA(myPCA, axes=c(1, 2), choix="var")
plot.PCA(myPCA, axes=c(1, 2), choix="ind",habillage=1,label="none")


# analyse discriminante en fonction de l'origine
tabPCA<-tab[,c(3:9)] # on garde les colonnes 2, 4 à 9 with genotype as qualitative
LDAmaize <- lda(formula = origin ~ ., data = tabPCA)
plot(LDAmaize,dimen=2,col=as.numeric(as.factor(tabPCA$origin)))

# analyse discriminante en fonction du marqueur
tabPCA<-tab[,c(2,4:9)] # on garde les colonnes 2, 4 à 9 with genotype as qualitative
LDAmaize2 <- lda(formula = ELF3 ~ ., data = tabPCA)
plot(LDAmaize2,dimen=2)