Summary  
This chapter explains how to use ggplot2’s geom_point to construct scatter plots by mapping numerical variables to x and y aesthetics and adding a grouping variable to color to reveal relationships, correlations, and outliers.

General domain of usage  
Automotive data analysis

## Miksi käyttää hajontakuvioita?
**Hajontakuvio** soveltuu erinomaisesti **muuttujien välisten suhteiden** visualisointiin. Sitä voidaan käyttää:
- Näyttämään **kahden numeerisen muuttujan suhteet**;
- Havaitsemaan kuvioita, klustereita tai poikkeavia havaintoja;
- Tutkimaan **korrelaatiota** (positiivinen/negatiivinen/ei korrelaatiota).

## Hajontakuvion syntaksi ggplot2:ssa
Hajontakuvion voi luoda funktiolla `geom_point()`. Määritä tällöin sekä `x`- että `y`-akselin estetiikat.

```
ggplot(data = df, aes(x = variable_x, y = variable_y)) +
  geom_point()
```

Erottelun lisäämiseksi voit lisätä ryhmittelymuuttujan `color`-estetiikkaan. Tämä antaa jokaiselle ryhmälle eri värin, mikä helpottaa kuvioiden tunnistamista.

```
ggplot(data = df, aes(x = variable_x, y = variable_y, color = group_var)) +
  geom_point()
```

## Esimerkki: Myyntihinta vs. ajetut kilometrit
Hajontakuviolla voidaan tarkastella, miten auton käyttö vaikuttaa sen myyntihintaan. Tässä esimerkissä x-akselilla esitetään ajetut kilometrit ja y-akselilla myyntihinta.

```
ggplot(df, aes(x = km_driven, y = selling_price)) +
  geom_point() +
  labs(title = "Scatter Plot of Selling Price vs. Kilometers Driven",
       x = "Kilometers Driven",
       y = "Selling Price")
```

Tämä visualisointi tuo usein esiin arvonalenemisen trendejä – kun ajokilometrit kasvavat, myyntihinta yleensä laskee. Lisäksi se voi paljastaa poikkeavia havaintoja, kuten autot, joiden hinta on poikkeuksellisen korkea suuresta ajomäärästä huolimatta.

Mikä `ggplot2`-funktio luo hajontakuvion?


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.

Hajontakuvioiden Luominen

Miksi käyttää hajontakuvioita?

Hajontakuvion syntaksi ggplot2:ssa

Esimerkki: Myyntihinta vs. ajetut kilometrit

Awesome!

Hajontakuvioiden Luominen

Miksi käyttää hajontakuvioita?

Hajontakuvion syntaksi ggplot2:ssa

Esimerkki: Myyntihinta vs. ajetut kilometrit