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

Prima di poter analizzare i dati, è necessario importarli nel proprio **ambiente R**. Nella maggior parte degli scenari reali, i dati sono archiviati in file esterni o database. Il primo passo in qualsiasi flusso di lavoro di analisi dei dati consiste nell'importare tali dati per poter iniziare ad esplorarli e manipolarli.

## Fonti di dati comuni
I dati reali spesso provengono da una varietà di fonti, come:
- File CSV (valori separati da virgola);
- Fogli di calcolo Excel;
- File di testo semplice (TXT);
- Database (ad esempio, SQL, SQLite, PostgreSQL);
- API web o altre fonti online.

R offre una serie di funzioni e pacchetti per facilitare la lettura dei dati da ciascuna di queste fonti.

## Lettura di un file CSV
Il formato CSV è uno dei più utilizzati per l'archiviazione di dati tabellari. Per importare un file CSV in R, si utilizza tipicamente una funzione che legge il file e lo memorizza in un data frame, una struttura che organizza i dati in righe e colonne.

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

## Visualizzazione dei dati
Una volta caricati i dati, è utile dare un'occhiata rapida. Un modo semplice per farlo in **RStudio** è utilizzare la funzione `View()`:

```
View(df)
```

Quale funzione legge i file CSV nel tidyverse?

Acquisisci esperienza pratica nell'analisi dei dati con R imparando a pulire, trasformare e visualizzare i dataset. Esplora flussi di lavoro essenziali come la selezione e il filtraggio dei dati, la gestione dei valori mancanti e la sintesi dei risultati. Sviluppa competenze nella preparazione dei dati per approfondimenti, reportistica ed esplorazioni statistiche avanzate.

Esplora le basi dell'analisi dei dati con R. Scopri come installare gli strumenti, caricare e ispezionare i dataset, selezionare e filtrare le informazioni, ordinare e trasformare i dati, gestire i valori mancanti e sintetizzare i risultati per ottenere approfondimenti più dettagliati.

Apprendere la creazione di visualizzazioni efficaci con ggplot2. Costruzione di diagrammi a barre, istogrammi, grafici di densità e grafici a dispersione, con successiva personalizzazione e perfezionamento tramite opzioni di stile e faceting per rivelare approfondimenti nei dati.

Consolidamento della comprensione della statistica per l'analisi dei dati. Applicazione di misure descrittive, identificazione e trattamento dei valori anomali, utilizzo di tecniche di correlazione con strumenti visivi come heatmap e scatter plot per individuare relazioni significative.

Lettura e Visualizzazione

Fonti di dati comuni

Lettura di un file CSV

Visualizzazione dei dati

Awesome!

Lettura e Visualizzazione

Fonti di dati comuni

Lettura di un file CSV

Visualizzazione dei dati