Summary  
This chapter explains how to subset data frames in R using base indexing—selecting specific rows by their numeric position and extracting columns by index or by name with the $ operator.  

General domain of usage  
Exploratory data analysis

Når datasettet ditt er lastet inn i **R**, må du lære hvordan du arbeider med bestemte deler av det. Dette innebærer å velge ut spesifikke rader og kolonner du ønsker å fokusere på. Enten du skal rense data eller analysere bestemte trender, er det avgjørende å kunne dele opp dataene dine effektivt.

## Laste inn datasettet ditt
Før du arbeider med data, må det lastes inn og vises:

```
library(tidyverse) # load the tidyverse package
df <- read_csv("car_details.csv")  # read the dataset
View(df) # open the dataset in a spreadsheet-style viewer
```

## Velge rader
I R kan du velge rader etter deres numeriske posisjon. Siden indekseringen starter på 1, vil `df[3, ]` returnere den tredje raden fra datasettet.

```
df[3, ]
```

## Velge en kolonne etter posisjon
På samme måte som med rader, kan du velge en kolonne ved å bruke dens numeriske posisjon. Ved å la radindeksen stå tom og spesifisere kolonneindeksen, returnerer `df[, 5]` den femte kolonnen i datasettet.

```
df[, 5]
```


## Velge en kolonne etter navn
Du kan også få tilgang til en kolonne direkte ved navn ved å bruke `$`-operatoren. Dette gir en rask og lesbar måte å hente ut en enkelt kolonne på. For eksempel velger `df$km_driven` kolonnen med navnet **km\_driven**.

```
view(df$km_driven)
```


Hvilket symbol brukes for å få tilgang til en kolonne etter navn i base R?

Få praktisk erfaring med dataanalyse i R ved å lære hvordan du rengjør, transformerer og visualiserer datasett. Utforsk essensielle arbeidsflyter som utvalg og filtrering av data, håndtering av manglende verdier og oppsummering av resultater. Bygg selvtillit i å forberede data for innsikt, rapportering og dypere statistisk utforskning.

Utforsk grunnleggende prinsipper for dataanalyse med R. Lær hvordan du installerer verktøyene, laster inn og inspiserer datasett, velger og filtrerer informasjon, sorterer og transformerer data, håndterer manglende verdier og oppsummerer resultater for dypere innsikt.

Lær å lage overbevisende visualiseringer med ggplot2. Bygg stolpediagrammer, histogrammer, tetthetsplott og spredningsplott, og tilpass og forbedre dem med stilvalg og fasettering for å avdekke dypere innsikt i dataene dine.

Styrk din forståelse av statistikk for dataanalyse. Bruk beskrivende mål, identifiser og håndter uteliggere, og anvend korrelasjonsteknikker med visuelle verktøy som varmekart og spredningsdiagrammer for å avdekke meningsfulle sammenhenger.

Datavalgsprosessen – Grunnleggende

Laste inn datasettet ditt

Velge rader

Velge en kolonne etter posisjon

Velge en kolonne etter navn

Awesome!

Datavalgsprosessen – Grunnleggende

Laste inn datasettet ditt

Velge rader

Velge en kolonne etter posisjon

Velge en kolonne etter navn