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

Ennen kuin voit analysoida dataa, sinun täytyy tuoda se **R-ympäristöösi**. Useimmissa todellisissa tilanteissa data tallennetaan ulkoisiin tiedostoihin tai tietokantoihin. Ensimmäinen vaihe missä tahansa data-analyysin työnkulussa on tuoda tämä data, jotta voit aloittaa sen tutkimisen ja käsittelyn.

## Yleiset datalähteet
Todellisessa maailmassa data tulee usein useista eri lähteistä, kuten:
- CSV (comma-separated values) -tiedostot;
- Excel-taulukot;
- Tekstitiedostot (TXT);
- Tietokannat (esim. SQL, SQLite, PostgreSQL);
- Web-rajapinnat tai muut verkkolähteet.

R tarjoaa useita funktioita ja paketteja, joiden avulla dataa voidaan lukea helposti näistä lähteistä.

## CSV-tiedoston lukeminen
CSV on yksi yleisimmin käytetyistä muodoista taulukkomuotoisen datan tallentamiseen. CSV-tiedoston tuomiseen R:ään käytetään yleensä funktiota, joka lukee tiedoston ja tallentaa sen data frameen – rakenteeseen, joka järjestää datan riveihin ja sarakkeisiin.

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

## Datan tarkastelu
Kun data on ladattu, siitä on hyödyllistä ottaa nopea katsaus. Yksi yksinkertainen tapa tehdä tämä **RStudiossa** on käyttää `View()`-funktiota:

```
View(df)
```

Mikä funktio lukee CSV-tiedostoja tidyversessä?

Hanki käytännön kokemusta datan analysoinnista R:llä oppimalla, kuinka puhdistaa, muuntaa ja visualisoida aineistoja. Tutustu keskeisiin työnkulkuihin, kuten datan valintaan ja suodatukseen, puuttuvien arvojen käsittelyyn sekä tulosten tiivistämiseen. Vahvista osaamistasi datan valmistelussa oivalluksia, raportointia ja syvällisempää tilastollista tarkastelua varten.

Tutustu R:n avulla tehtävän data-analyysin perusteisiin. Opiskele työkalujen asentaminen, aineistojen lataaminen ja tarkastelu, tietojen valinta ja suodatus, datan lajittelu ja muuntaminen, puuttuvien arvojen käsittely sekä tulosten tiivistäminen syvällisempien oivallusten saavuttamiseksi.

Opi luomaan vaikuttavia visualisointeja ggplot2-kirjastolla. Rakenna pylväsdiagrammeja, histogrammeja, tiheyskäyriä ja hajontakuvioita sekä mukauta ja viimeistele niitä tyylivalinnoilla ja facettauksella syvempien oivallusten saavuttamiseksi datasta.

Syvennä tilastollisen analyysin ymmärrystä data-analyysissä. Sovella kuvailevia mittareita, tunnista ja käsittele poikkeavia havaintoja sekä hyödynnä korrelaatiotekniikoita visuaalisten työkalujen, kuten lämpökarttojen ja hajontakuvioiden, avulla merkityksellisten yhteyksien löytämiseksi.

Luku ja Tarkastelu

Yleiset datalähteet

CSV-tiedoston lukeminen

Datan tarkastelu

Awesome!

Luku ja Tarkastelu

Yleiset datalähteet

CSV-tiedoston lukeminen

Datan tarkastelu