Merge branch 'r-with-params' of fzadrazil/rural-attractivness-service into master

index.js

@@ -289,10 +289,11 @@ function returnRegionScores(nuts, req, res) {
 }
 
 function handleRCall(req, res) {
-  console.log('calling R...')
-  R('./r/selected_data.r').call(
+  const numberOfClusters = req.body.numberOfClusters || 12;
+  //console.log('calling R...', numberOfClusters)
+  R('./r/selected_data.r').data(numberOfClusters).call(
     function (err, data) {
-      console.log('R done');
+      //console.log('R done');
       if (err) {
         console.log(err.toString('utf8'));
         data = { result: err.toString('utf8') };

r/selected_data.r

@@ -2,17 +2,19 @@ setwd("./data/clustering/") # Nastavení pracovního adresáře (relativní k ro
 
 library(cluster)
 
+N <- input[[1]] # 'input' is a list of parametres, which comes from the NodeJS service
+
 input <- read.csv(file = 'input_modified.csv') # Načtení CSV souboru
 #head(input) # Výpis prvních šesti řádek CSV souboru
 mydata <- input[, -1, drop=F] # Zahození prvního sloupce dat (NUTS_ID). Při 2-sloupcové tabulce nesmí redukovat dimenzi na vektor, proto drop=F
 rownames(mydata) <- input[, 1] # První sloupec dat jako název řádek
 mydata <- scale(mydata) # Standardizace dat
-km25 <- kmeans(mydata, 12, nstart=25) # 12 cluster solution, nstart = počet náhodných počátečních přiřazení, optimální je hodnota 25-50
-km50hw <- kmeans(mydata, 12, nstart=50) # 12 cluster solution, nstart = počet náhodných počátečních přiřazení, optimální je hodnota 25-50
-km50l <- kmeans(mydata, 12, nstart=50, algorithm=c("Lloyd"))
-km50m <- kmeans(mydata, 12, nstart=50, algorithm=c("MacQueen"))
-kme_eu <- pam(mydata,12,diss=FALSE,metric=c("euclidean"))
-kme_mn <- pam(mydata,12,diss=FALSE,metric=c("manhattan"))
+km25 <- kmeans(mydata, N, nstart=25) # N cluster solution, nstart = počet náhodných počátečních přiřazení, optimální je hodnota 25-50
+km50hw <- kmeans(mydata, N, nstart=50) # N cluster solution, nstart = počet náhodných počátečních přiřazení, optimální je hodnota 25-50
+km50l <- kmeans(mydata, N, nstart=50, algorithm=c("Lloyd"))
+km50m <- kmeans(mydata, N, nstart=50, algorithm=c("MacQueen"))
+kme_eu <- pam(mydata, N, diss=FALSE, metric=c("euclidean"))
+kme_mn <- pam(mydata, N, diss=FALSE, metric=c("manhattan"))
 
 d <- dist(mydata, method = "euclidean") # distance matrix
 dmin <- dist(mydata, method = "minkowski")
@@ -34,22 +36,22 @@ fitcen <- hclust(d,method="centroid")
 fitmed <- hclust(d,method="median")
 fitmcq <- hclust(d,method="mcquitty")
 
-haclust <- cutree(fit, k=12)
-haclustmin <- cutree(fitmin, k=12)
-haclustbin <- cutree(fitbin, k=12)
-haclustmax <- cutree(fitmax, k=12)
-haclustcan <- cutree(fitcan, k=12)
-haclustman <- cutree(fitman, k=12)
+haclust <- cutree(fit, k=N) #default fit method=complete, so this is equal to haclustcom
+haclustmin <- cutree(fitmin, k=N)
+haclustbin <- cutree(fitbin, k=N)
+haclustmax <- cutree(fitmax, k=N)
+haclustcan <- cutree(fitcan, k=N)
+haclustman <- cutree(fitman, k=N)
 
-haclustwd2 <- cutree(fitwd2, k=12)
-haclustcom <- cutree(fitcom, k=12)
-haclustsin <- cutree(fitsin, k=12)
-haclustcen <- cutree(fitcen, k=12)
-haclustmed <- cutree(fitmed, k=12)
-haclustmcq <- cutree(fitmcq, k=12)
+haclustwd2 <- cutree(fitwd2, k=N)
+haclustcom <- cutree(fitcom, k=N)
+haclustsin <- cutree(fitsin, k=N)
+haclustcen <- cutree(fitcen, k=N)
+haclustmed <- cutree(fitmed, k=N)
+haclustmcq <- cutree(fitmcq, k=N)
 
 fit <- diana(d)
-hdclust <- cutree(fit, k=12)
+hdclust <- cutree(fit, k=N)
 
 #aggregate(mydata,by=list(km25$cluster),FUN=mean) # get cluster means
 outdata <- data.frame(km25$cluster, km50hw$cluster, km50l$cluster, km50m$cluster,kme_eu$cluster,kme_mn$cluster, haclust, haclustmin, haclustbin, haclustman, haclustmax, haclustcan, haclustwd2, haclustcom, haclustsin, haclustcen, haclustmed, haclustmcq, hdclust) # append cluster assignment