# LIBRARIES ----
library(modeltime)
library(tidymodels)
library(timetk)
library(tidyverse)

# DATA ----
# - Time Series Visualization - Covered in Module 02 of DS4B 203-R Time Series Course

walmart_sales_weekly　# this data is coming from the modeltime package.

walmart_sales_weekly %>%
    group_by(id) %>%
    plot_time_series(Date, Weekly_Sales, .facet_ncol = 2)
    # plot_time_series() 関数は、時系列データをプロットします。
    # .facet_ncol = 2 は、2列でプロットすることを指定しています（グラフ画面）。
    # Date がx軸、Weekly_Sales がy軸になっている。
    # id ごとにプロットされている。

# 1.0 NESTING 101 ----
# - Nesting & Iteration - Covered in Week 5 of DS4B 101-R R for Business Course

# Nesting
data_nested <- walmart_sales_weekly %>%
    select(id, Date, Weekly_Sales) %>%
    nest(nested_column = -id)
    # nest() 関数は、データをネスト化します。
    # -id でid列を除いたデータをネスト化している。
    # ネスト化とは具体的には、データフレームの列をリストに変換することです。
    # ここでは、id列を除いたデータをリストに変換しています。
    # 実際には、nested_column という列にリスト（Date, Weekly_Sales列）が格納されています。

data_nested$nested_column
    # nested_column にはリストが格納されている。
    # リストの中身は、Date, Weekly_Sales列が格納されている。

# Unnesting
data_nested %>%
    unnest(nested_column)
    # unnest() 関数は、ネスト化されたデータを元に戻します。


# 2.0 MULTIPLE ARIMA FORECASTS ----
# - Modeltime (ARIMA) - Covered in  Module 8 of DS4B 203-R Time Series Course
# - Nesting, Functions, & Iteration - Covered in Week 5 of DS4B 101-R R for Business Course

# * Making Multiple ARIMA Models ----
model_table <- data_nested %>%

    # Map Fitted Models
    mutate(fitted_model = map(nested_column, .f = function(df) {
        # map() 関数は、リストの各要素に対して関数を適用します。
        # .f = function(df) で関数を指定しています。ここでは、df にリストの各要素が格納されています。このdfはデータフレームです。
        # dfという文字列は任意の文字列を記載できますか? はい、任意の文字列を記載できます。ここではdfと名付けたという事ですね。
        # 実際の無名関数の役割は、{}に挟まれている内容ですね？ はい、{}に挟まれている内容が無名関数の内容です。

        arima_reg(seasonal_period = 52) %>%
            # arima_reg() 関数は、ARIMAモデルを作成します。
            # seasonal_period = 52 で季節性を指定しています。52週間の季節性を指定しています。
            # つまり、週次データの季節性を指定しています。
            # 週次データの季節性を指定することで、季節性を考慮したARIMAモデルを作成します。
            # 週次データの季節性を考慮することで、より正確な予測が可能になります。
            # なぜ52週ですか？年間のデータをとる為ですか？ はい、年間のデータを取るためです。
            # その場合、なぜ48週間ではないのですか？ 52週間のデータを取ることで、年間のデータを取ることができます。
            set_engine("auto_arima") %>%
            # set_engine() 関数は、モデルのエンジンを指定します。
            # "auto_arima" で自動ARIMAモデルを指定しています。
            # 自動ARIMAモデルは、ARIMAモデルのパラメータを自動的に決定します。
            # つまり、ARIMAモデルのパラメータを手動で設定する必要がなくなります。
            # 自動ARIMAモデルは、ARIMAモデルのパラメータを自動的に決定するため、モデルの作成が簡単になります。
            # ARIMAとは何ですか？ ARIMAは、自己回帰和分移動平均モデルです。英語では、AutoRegressive Integrated Moving Average Modelです。
            # 特徴は、時系列データの自己相関と季節性を考慮したモデルです。
            # 自己相関とは、時系列データの過去のデータとの相関関係を指します。
            # 過去のデータで何をしますか？ 過去のデータを使って、未来のデータを予測します。
            fit(Weekly_Sales ~ Date, data = df)
            # fit() 関数は、モデルを学習します。
            # Weekly_Sales ~ Date でWeekly_SalesをDateで回帰分析することを指定しています。
            # data = df でデータフレームを指定しています。このdfはfunction()の引数で指定しているデータフレームです。

    })) %>%

    # Map Forecasts
    mutate(nested_forecast = map2(fitted_model, nested_column,
                                  .f = function(arima_model, df) {
    # map2() 関数は、2つのリストの要素に対して関数を適用します。
    # .f = function(arima_model, df) で関数を指定しています。ここでは、arima_model にARIMAモデル、df にリストの各要素が格納されています。このdfはデータフレームです。

        modeltime_table(
            arima_model
            # modeltime_table() 関数は、モデルの予測を作成します。
            # arima_model にARIMAモデルを指定しています。
        ) %>%
            modeltime_forecast(
                h = 52,
                actual_data = df
            )
            # modeltime_forecast() 関数は、モデルの予測を作成します。
            # h = 52 で52週間の予測を指定しています。
            # actual_data = df でデータフレームを指定しています。このdfはfunction()の引数で指定しているデータフレームです。
            # つまり、52週間の予測を作成しています。未来のですか？ はい、未来のデータです。
    }))

model_table

# * Unnest ----

model_table %>%
    select(id, nested_forecast) %>%
    unnest(nested_forecast) %>%
    group_by(id) %>%
    plot_modeltime_forecast(.facet_ncol = 2)