%% ESERCIZIO I (punti 10)
% Caricare in memoria tramite l'istruzione readtimetable il dataset
% denominato quarterlyFinances1999To2019.csv. La periodicitò di questo
% dataset è trimestrale. La data di inizio di questa serie è il primo
% gennaio 1999. 
% Mostrare nella Command Window la tabella pivot che contiene
% nelle righe le date raggruppate per anno e nelle colonne la variabile
% "CostOfSales" raggruppata negli intervalli
% [0, 20000)    [40000, 80000]
% v. anteprima output di seguito.
%
%         [0, 40000)    [40000, 80000]
%         __________    ______________
%
% 1999        4               0
% 2000        4               0
% 2001        4               0
% 2002        4               0
% 2003        4               0
% 2004        4               0
% 2005        3               1
% 2006        2               2
% 2007        0               4
% 2008        0               4
% 2009        0               4
% 2010        0               4
% 2011        0               4
% 2012        0               4
% 2013        0               4
% 2014        0               4
% 2015        0               4
% 2016        0               4
% 2017        0               4
% 2018        0               4
% Denominare la tabella pivot con le prime 3 lettere del proprio cognome.
% v. p. 151 del libro 
miofile="quarterlyFinances1999To2019.csv";
TT=readtimetable(miofile,"StartTime",datetime(1999,1,1), ...
    "TimeStep",calquarters,'TrimNonNumeric',true);

RIA=pivot(TT,"Rows","Time","RowsBinMethod","year","Columns", ...
    "CostOfSales","ColumnsBinMethod",0:40000:80000,"RowLabelPlacement","rownames");
disp(RIA)

%% ESERCIZIO II (punti 12) Esercizio facsimile di HW 1.4 
% Caricare in memoria  il dataset di FSDA denominato air_pollution
% tramite istruzione load air_pollution.mat.
% Questo dataset contiene una serie di dati legati all'inquinamento di una
% serie di città Americane
% Mostrare nella Command Window la table di dimensione 2x4 contenente le righe
% denominate "San Diego, CA" e "Birmingham, AL" i valori delle variabili
% "NonWhite"   "Humidity"  "Density" e "JanTemp" (punti 4)
load air_pollution.mat
air1=air_pollution(["San Diego, CA" "Birmingham, AL"] ,["NonWhite" "Humidity" "Density" "JanTemp"]);
disp(air1)


% Estrare la table che contiene le città
% che presentano un indicatore di Over65 strettamente superiore a 10.
% Denominare questa table pippo.
% Mostrare nella Command Window le variabili che si trovano nelle colonne 2 8 9 
% della table denominata pippo (punti 4)
selvar=[2 8 9];
boo=air_pollution.Over65>10;
pippo=air_pollution(boo,:);
disp(pippo(:,selvar))

% Estrare la table che contiene le città
% il cui nome inizia con la lettera A.
% Denominare questa table casa.
% Mostrare nella Command Window le variabili che si trovano nelle colonne 2 8 9  
% della table denominata casa (punti 4)
boo=startsWith(air_pollution.Properties.RowNames,"A");
casa=air_pollution(boo,:);
disp(casa(:,selvar))

%% ESERCIZIO III (punti 8) versione ridotta dell'Esercizio 11.3
% Caricare in memoria  il dataset di FSDA denominato air_pollution
% tramite istruzione load air_pollution.mat
% Estrare le variabili che si trovano nelle colonne 1, 4, 7, 10, 13, 16, in
% una table denominata con le prime 3 lettere del proprio nome. Calcolare
% la distanza di Mahalanobis al quadrato di ogni città dal centroide. Mostrare
% nella Command Window le 5 città con la più grande distanza di Mahalanobis
load air_pollution.mat
MAR=air_pollution(:,1:3:end);
mard=MAR{:,:};
cent=mean(mard);
S=cov(mard);
d2_mahal=mahalFS(mard,cent,S).^2;
[d2_mahalSIOR,ind]=sort(d2_mahal,'descend');
disp("Le 5 città con la più grande distanza di Mahalanobis")
disp(MAR.Properties.RowNames(ind(1:5)))