Summary  
This chapter covers how to import tabular data from a CSV file into a data frame and inspect or print its contents and structure using functions like read_csv(), head(), tail(), and View().  

General domain of usage  
Data analysis

Innan du kan analysera data behöver du importera den till din **R-miljö**. I de flesta verkliga scenarier lagras data i externa filer eller databaser. Det första steget i varje dataanalysarbetsflöde är att importera denna data så att du kan börja utforska och arbeta med den.

## Vanliga datakällor
Data från verkliga situationer kommer ofta från olika källor, såsom:
- CSV-filer (kommaseparerade värden);
- Excel-kalkylblad;
- Textfiler (TXT);
- Databaser (t.ex. SQL, SQLite, PostgreSQL);
- Web APIs eller andra onlinekällor.

R erbjuder ett antal funktioner och paket för att enkelt läsa in data från var och en av dessa källor.

## Läsa in en CSV-fil
CSV är ett av de vanligaste formaten för att lagra tabulär data. För att importera en CSV-fil till R använder vi vanligtvis en funktion som läser in filen och lagrar den i en data frame – en struktur som organiserar data i rader och kolumner.

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

## Visa dina data
När data har lästs in är det bra att snabbt titta på dem. Ett enkelt sätt att göra detta i **RStudio** är med funktionen `View()`:

```
View(df)
```

Ladda ner dataset

Ladda ner kapitelkod

Vilken funktion läser CSV-filer i tidyverse?

Få praktisk erfarenhet av dataanalys med R genom att lära dig att rensa, transformera och visualisera dataset. Utforska viktiga arbetsflöden såsom att välja och filtrera data, hantera saknade värden och sammanfatta resultat. Bygg upp förtroende i att förbereda data för insikter, rapportering och djupare statistisk analys.

Utforska grunderna i dataanalys med R. Lär dig att installera verktyg, ladda och inspektera dataset, välja och filtrera information, sortera och transformera data, hantera saknade värden samt sammanfatta resultat för djupare insikter.

Lär dig att skapa övertygande visualiseringar med ggplot2. Skapa stapeldiagram, histogram, täthetsdiagram och spridningsdiagram, och anpassa samt förfina dem med stilinställningar och facettering för att avslöja djupare insikter i dina data.

Förstärk din förståelse för statistik inom dataanalys. Använd beskrivande mått, identifiera och hantera avvikare samt tillämpa korrelationstekniker med visuella verktyg såsom värmekartor och spridningsdiagram för att upptäcka meningsfulla samband.

Läsa och Visa

Vanliga datakällor

Läsa in en CSV-fil

Visa dina data