# требования для файлов, экспортируемых в R: не должно быть пропусков между словами в названиях столбцов; файл Exel должен быть сохранен в формате txt (текстовой файл с разделительной табуляцией)

# закгрузка данных. Здесь crane - это имя, которые мы присваиваем нашему массиву данных, primer.txt - название файла, из которого нужно произвести экспорт измерений звуков, C:/My documents/R/ - это путь на вашем компьютере к файлу, из которого нужно экспортировать данные (желательно сохранить нужный файлы в папке с латинским именем, т.к. The R не распознает кирилицу).
library(MASS)
setwd("C:/My documents/R/")
crane <- read.table(file = "primer.txt", dec = ",", header = TRUE)

# проверка загруженной таблицы
str(crane)
names (crane)

# дискриминантный анализ
M3 <- lda(crane$Chick_N~.,crane)
misclass <- function(pred, obs) {
tbl <- table(pred, obs)
sum <- colSums(tbl)
dia <- diag(tbl)
msc <- dia/sum * 100
m.m <- mean(msc)
cat("Classification table:", "\n")
print(tbl)
cat("percent of correct classification:", "\n")
print(round(msc, 1))
cat("Mean percent of correct classification:", round(m.m, 1), "\n")
}
misclass(predict(M3)$class, crane$Chick_N)

# output (то, что должно получиться после проведения вышеописанного дискрима)
Classification table: 
    obs
pred  1  7 12 13 17 18 20 21 25 26 28 29 39
  1   5  0  0  0  0  0  0  0  0  0  0  0  0
  7   0 10  0  0  0  0  0  0  0  0  0  0  0
  12  0  0 10  0  0  0  0  0  0  0  0  0  0
  13  0  0  0 10  0  0  0  0  0  0  0  0  0
  17  0  0  0  0 10  0  0  0  0  0  0  0  0
  18  0  0  0  0  0 10  0  0  0  0  0  0  0
  20  0  0  0  0  0  0  4  0  0  0  0  0  0
  21  0  0  0  0  0  0  0  7  0  0  0  0  0
  25  0  0  0  0  0  0  0  0 10  0  0  1  0
  26  0  0  0  0  0  0  0  0  0 10  0  0  0
  28  0  0  0  0  0  0  0  0  0  0  8  0  0
  29  0  0  0  0  0  0  0  0  0  0  0  9  0
  39  0  0  0  0  0  0  0  0  0  0  0  0 10
percent of correct classification: 
  1   7  12  13  17  18  20  21  25  26  28  29  39 
100 100 100 100 100 100 100 100 100 100 100  90 100 
Mean percent of correct classification: 99.2 


#randomization
misclass <- function(pred, obs) {
	tbl <- table(pred, obs)
	sum <- colSums(tbl)
	dia <- diag(tbl)
	msc <- dia/sum * 100
	m.m <- mean(msc)
	m.m
	}
	

	
output<-data.frame(atempt=NA, mean.perc=NA) #делаем дф в который будем складывать результаты..
for (i in 1:1000){
	#cat("   turn number:", i, ".....")
	rand1<-sample(crane$Chick_N)
	M7 <- lda(rand1~.,crane)
	m.m<-misclass(predict(M7)$class, rand1)
	output[i,1]<-i 
	output[i,2]<-m.m 
	#cat("SUCCESS!\n")
}


print(output) 


average<-mean(output[,2]) # считаем среднее по 2 колонке

cat("Average m.m is ",average, "\n" ) ## показываем его на экране
sd<-sd(output[,2])
min<-min(output[,2])
max<-max(output[,2])
cat("SD m.m is ",sd, "\n" )
cat("Min m.m is ",min, "\n" )
cat("Max m.m is ",max, "\n" )
#output: длинный столбик из 1000 вариантов случайных процентов правильного причисления плюс среднее, макс, мин и SD

sd<-sd(output[,2])

# далее выбираем из результатов рандомизации те значения, которые больше неслучайного (назовем его условно А)
output[output$mean.perc<A,]

# сохраняем результаты рандомизации в файл txt
write.table(output, "output.txt")

# Также мы можем, например, построить 3D график распределения звуков наших анализируемых птенцов в простанстве 3 наиважнейших для классификации дискриминантных функций. Для этого обозначим еще раз параметры, которые необходимо использовать для рассчета дискриминантных функций: 
	
	lda.fit <- lda(formula = Chick_N ~ F_beg + F_max + F_ext + F_end + F_peak + Dur_beg_max + Dur_beg_ext + Dur_beg_end, data=crane)
	
	
# С помощью следующей функции мы рассчитываем положение каждого объекта (звука) в трехмерном пространстве трех дискриминационных функций:
	plda <- predict(object = lda.fit,
      	          newdata = crane)

# Зададим оси x, y и z - это будут дискриминационные функции 1, 2 и 3
	x <- plda$x[, 1] 
	y <- plda$x[, 2]  	
	z <- plda$x[, 3]

# Зададим цвета для каждой из особей
	mapdf <- data.frame(id=c(1,2,3,4,5,6,7,8), 
  paint=c("white","black","blue","red","green","yellow","purple","coral")) 	
	colors <- mapdf$paint[match(crane$Chick_N,mapdf$id)]
 
# Дальше необходимо инсталировать графические пакеты The R   	
	library(rgl)
	library(magick)
 
# Если система при этом выдает ошибки, то инсталяцию можно произвести через команды:
 install.packages("rgl")
 install.packages("magick")
 
# Здесь мы настраиваем размер значков на рисунке:
	viewport_size <- 512
	par3d(windowRect=c(50, 50, 50+viewport_size, 50+viewport_size))
	par3d(zoom=1.1)

# И, наконец, рисуем сам график:
	plot3d( 
	  x, y, z, 
	  col = colors, 
	  type = 's', 
	  radius = .3,
	  xlab="Function 1", ylab="Function 2", zlab="Function 3")
	
	play3d( spin3d( axis = c(0, 0, 1), rpm = 4), duration = 5 )

# Дополнительно о том, как начать дискриминантный анализ ваших данных и какие еще результаты можно получить, вы можете почитать, например, на https://jcoliver.github.io/learn-r/003-intro-multivariate.html  и https://rpubs.com/ifn1411/LDA