Summary  
This chapter covers advanced data frame subsetting techniques in R, including selecting multiple rows and columns via base R indexing and the use of dplyr’s select() and slice() functions with the pipe operator, as well as accessing individual values through row–column indexing.  

General domain of usage  
Data preprocessing

Du kan redan välja enskilda rader och kolumner med grundläggande indexering. Nu är det dags att gå ett steg längre och utforska hur du väljer flera rader och kolumner med både bas-**R** och paketet `dplyr`. Dessa tekniker är viktiga när du vill fokusera på specifika delar av en datamängd eller förbereda dina data för vidare analys.

### Base R
Du kan välja flera kolumner genom att kombinera deras positioner eller namn med funktionen `c()`. Resultatet blir en mindre data frame som endast innehåller de angivna kolumnerna.

Med kolumnpositioner:
```
selected_data_base <- df[, c(1, 2, 3)]
```

Med kolumnnamn:
```
selected_data_base <- df[, c("name", "selling_price", "transmission")]
```


### dplyr
Du kan använda funktionen `select()` och ange kolumnnamnen direkt.

```
selected_data_dplyr <- df %>%
  select(km_driven, fuel, transmission)
```

## Indexering av enskilda värden
För att komma åt ett specifikt värde, ange både rad- och kolumnnummer. Detta är användbart vid kontroll eller felsökning av enskilda datapunkter.

```
df[1, 2]  # accesses the value in row 1, column 2
```

## Radskivning
Ibland vill du bara arbeta med de första raderna, eller specifika rader baserat på position.

### Base R
Du kan välja flera rader genom att ange det första och sista indexet och skriva ett `:` emellan.
```
first_5_rows_base <- df[1:5, ]
```

### dplyr
Du kan använda funktionen `slice()` och ange intervallet av rader du vill ta.
```
first_5_rows_dplyr <- df %>%
  slice(1:5)
```


Ladda ner dataset

Ladda ner kapitelkod

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.

Dataval av Avancerade Tekniker

Välja flera kolumner

Base R

dplyr

Indexering av enskilda värden

Radskivning

Base R

dplyr