Summary  
This chapter covers basic data selection in R, demonstrating how to subset datasets by choosing specific rows and columns using numeric indexing (`[ , ]`) and the `$` operator, and it contrasts the base R and dplyr approaches.  

General domain of usage  
Automotive market data analysis

Zodra je dataset is geladen in **R**, is het belangrijk om te weten hoe je met specifieke delen ervan kunt werken. Dit houdt in dat je bepaalde rijen en kolommen selecteert waarop je je wilt richten. Of je nu data opschoont of specifieke trends analyseert, efficiënt subselecteren van je data is essentieel.

## Je dataset laden
Voordat je met data werkt, moet deze worden geladen en bekeken:

```
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
```

## Rijen selecteren
In R kun je rijen selecteren op basis van hun numerieke positie. Omdat indexering begint bij 1, geeft `df[3, ]` de derde rij uit de dataset terug.

```
df[3, ]
```

## Een kolom selecteren op positie
Net als bij rijen kun je een kolom selecteren met behulp van de numerieke positie. Door de rij-index leeg te laten en de kolomindex op te geven, geeft `df[, 5]` de vijfde kolom van de dataset terug.

```
df[, 5]
```


## Een kolom selecteren op naam
Je kunt ook direct toegang krijgen tot een kolom via de naam met de `$`-operator. Dit biedt een snelle en leesbare manier om een enkele kolom te extraheren. Bijvoorbeeld, `df$km_driven` selecteert de kolom met de naam **km\_driven**.

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


Dataset downloaden

Hoofdstukcode downloaden

Welk symbool wordt in base R gebruikt om een kolom op naam te benaderen?

Verkrijg praktische ervaring in data-analyse met R door te leren hoe datasets opgeschoond, getransformeerd en gevisualiseerd worden. Verken essentiële workflows zoals het selecteren en filteren van data, omgaan met ontbrekende waarden en het samenvatten van resultaten. Vergroot het vertrouwen in het voorbereiden van data voor inzichten, rapportages en diepgaandere statistische verkenning.

Verken de basisprincipes van data-analyse met R. Leer hoe u de tools installeert, datasets laadt en inspecteert, informatie selecteert en filtert, gegevens sorteert en transformeert, ontbrekende waarden verwerkt en resultaten samenvat voor diepgaandere inzichten.

Leer het maken van overtuigende visualisaties met ggplot2. Bouw staafdiagrammen, histogrammen, dichtheidsplots en spreidingsdiagrammen, en pas deze vervolgens aan en verfijn ze met opmaakopties en facettering om diepere inzichten in uw gegevens te onthullen.

Verdiep uw begrip van statistiek voor data-analyse. Toepassing van beschrijvende maten, identificatie en behandeling van uitschieters, en gebruik van correlatietechnieken met visuele hulpmiddelen zoals heatmaps en spreidingsdiagrammen om betekenisvolle relaties te ontdekken.

Dataselectie - Basisprincipes

Je dataset laden

Rijen selecteren

Een kolom selecteren op positie

Een kolom selecteren op naam