Summary  
This chapter explains how to import tabular data into R as a data frame—using functions like read_csv() for CSV files or data() for built-in datasets—and how to perform basic inspection with head(), tail(), View(), and dim().  

General domain of usage  
Data analysis

Før du kan analysere data, skal du importere dem til dit **R-miljø**. I de fleste virkelige scenarier er data gemt i eksterne filer eller databaser. Det første trin i enhver dataanalyseproces er at importere disse data, så du kan begynde at udforske og arbejde med dem.

## Almindelige datakilder
Virkelige data stammer ofte fra en række forskellige kilder, såsom:
- CSV-filer (kommaseparerede værdier);
- Excel-regneark;
- Almindelige tekstfiler (TXT);
- Databaser (f.eks. SQL, SQLite, PostgreSQL);
- Web-API'er eller andre online kilder.

R tilbyder en række funktioner og pakker, der gør det nemt at læse data fra hver af disse kilder.

## Indlæsning af en CSV-fil
CSV er et af de mest anvendte formater til lagring af tabeldata. For at importere en CSV-fil til R bruges typisk en funktion, der læser filen og gemmer den i en data frame – en struktur, der organiserer data i rækker og kolonner.

```
df <- read_csv("car_details.csv")
```

## Visning af dine data
Når dataene er indlæst, er det nyttigt hurtigt at få et overblik over dem. En enkel måde at gøre dette på i **RStudio** er med funktionen `View()`:

```
View(df)
```

Hvilken funktion læser CSV-filer i tidyverse?

Opnå praktisk erfaring med dataanalyse i R ved at lære at rense, transformere og visualisere datasæt. Udforsk essentielle arbejdsgange såsom udvælgelse og filtrering af data, håndtering af manglende værdier og opsummering af resultater. Opbyg sikkerhed i at forberede data til indsigt, rapportering og dybere statistisk udforskning.

Udforsk grundlæggende principper for dataanalyse med R. Lær at installere værktøjer, indlæse og inspicere datasæt, udvælge og filtrere information, sortere og transformere data, håndtere manglende værdier samt opsummere resultater for dybere indsigt.

Lær at skabe overbevisende visualiseringer med ggplot2. Opbyg søjlediagrammer, histogrammer, tæthedsplot og spredningsdiagrammer, og tilpas og forfin dem med stylingmuligheder og facettering for at afdække dybere indsigter i dine data.

Styrk din forståelse af statistik til dataanalyse. Anvend beskrivende mål, identificer og håndter outliers, og brug korrelationsteknikker med visuelle værktøjer som varmekort og spredningsdiagrammer for at afdække meningsfulde sammenhænge.

Læs og Vis

Almindelige datakilder

Indlæsning af en CSV-fil

Visning af dine data

Læs og Vis

Almindelige datakilder

Indlæsning af en CSV-fil

Visning af dine data