Summary  
This chapter covers how to compute and display descriptive statistics for entire datasets, individual columns, and grouped subsets—using both base functions (e.g., summary(), mean(), aggregate()) and dplyr verbs (group_by(), summarise())—while handling missing values and converting data types as needed.

General domain of usage  
Exploratory data analysis

**Datan tiivistäminen** on olennaista, jotta voidaan nopeasti ymmärtää sen rakenne ja mahdolliset kuviot.

## Nopea yhteenveto aineistosta
Ennen yksityiskohtaista analyysiä on hyödyllistä muodostaa nopea yleiskuva aineistosta. Tämä auttaa hahmottamaan arvojen vaihteluvälit, jakaumat ja kategoristen arvojen esiintymisen yhdellä silmäyksellä. Voit käyttää tähän `summary()`-funktiota.
```
summary(df)
```

## Yhteenvetotilastot yhdelle sarakkeelle
Voit laskea peruskuvailevia tilastoja, kuten keskiarvon, mediaanin ja keskihajonnan yksittäisille sarakkeille. Esimerkiksi seuraavassa tiivistetään `selling_price`-sarakkeen tiedot.

### Base R
Käytettävissä on omistettuja funktioita kuten `mean()`, `median()` ja `sd()`. Argumentti `na.rm = TRUE` varmistaa, että puuttuvat arvot ohitetaan laskennan aikana.

```
mean(df$selling_price, na.rm = TRUE)
median(df$selling_price, na.rm = TRUE)
sd(df$selling_price, na.rm = TRUE)
```

### dplyr
Kaikki kolme tilastotietoa voidaan laskea yhdellä askeleella `summarise()`-funktion avulla.

```
df %>%
  summarise(
    mean_price = mean(selling_price, na.rm = TRUE),
    median_price = median(selling_price, na.rm = TRUE),
    sd_price = sd(selling_price, na.rm = TRUE)
  )
```

## Useiden sarakkeiden yhteenvedot ryhmittäin

Usein halutaan vertailla yhteenvetotilastoja eri ryhmien välillä aineistossa. Esimerkiksi voidaan laskea keskimääräinen myyntihinta ja keskimääräinen ajokilometrimäärä polttoainetyypeittäin.

Ennen yhteenvedon laskemista varmista, että `mileage`-sarake on numeerinen:
```
df$mileage <- as.numeric(gsub(" km.*", "", df$mileage))
str(df$mileage)
```

### Base R
`aggregate()`-funktiota voidaan käyttää ryhmiteltyjen tilastojen laskemiseen. `cbind()`-funktiolla voidaan tiivistää useita numeerisia sarakkeita kerralla.

```
aggregate(cbind(selling_price, mileage) ~ fuel, data = df, FUN = mean, na.rm = TRUE)
```

### dplyr
Ryhmittely ja tiivistäminen voidaan tehdä myös `group_by()`- ja `summarise()`-funktioilla. Tämä lähestymistapa on yleensä luettavampi ja helpompi laajentaa.

```
df %>%
  group_by(fuel) %>%
  summarise(
    mean_price = mean(selling_price, na.rm = TRUE),
    mean_mileage = mean(mileage, na.rm = TRUE)
  )
```

Lataa aineisto

Lataa luvun koodi

`aggregate()`-funktiota käytetään base R:ssä seuraavaan:

Hanki käytännön kokemusta datan analysoinnista R:llä oppimalla aineistojen puhdistamista, muokkaamista ja visualisointia. Tutustu keskeisiin työnkulkuihin, kuten datan valintaan ja suodattamiseen, puuttuvien arvojen käsittelyyn sekä tulosten tiivistämiseen. Vahvista osaamistasi datan valmistelussa oivalluksia, raportointia ja syvällisempää tilastollista tarkastelua varten.

Tutustu R:n tietoanalyysin perusteisiin. Opiskele työkalujen asennus, aineistojen lataaminen ja tarkastelu, tietojen valinta ja suodatus, datan lajittelu ja muuntaminen, puuttuvien arvojen käsittely sekä tulosten tiivistäminen syvempien oivallusten saavuttamiseksi.

Opi luomaan vaikuttavia visualisointeja ggplot2:lla. Luo pylväsdiagrammeja, histogrammeja, tiheyskäyriä ja hajontakuvioita sekä mukauta ja viimeistele niitä tyylivalinnoilla ja facetoinnilla syvempien oivallusten löytämiseksi datasta.

Syvennä ymmärrystäsi tilastotieteestä data-analyysissä. Käytä kuvailevia mittareita, tunnista ja käsittele poikkeavia havaintoja sekä hyödynnä korrelaatiotekniikoita visuaalisten työkalujen, kuten lämpökarttojen ja hajontakuvioiden, avulla merkityksellisten yhteyksien löytämiseksi.

Datan Tiivistäminen

Nopea yhteenveto aineistosta

Yhteenvetotilastot yhdelle sarakkeelle

Base R

dplyr

Useiden sarakkeiden yhteenvedot ryhmittäin

Base R

dplyr