Summary  
This chapter covers how to filter data frames by applying basic categorical, numeric, and multiple logical conditions using both Base R and dplyr approaches.  

General domain of usage  
Data analysis

Filtrering är en kraftfull teknik som gör det möjligt att isolera rader av data som uppfyller vissa kriterier – till exempel att endast välja dieselbilar, dyra bilar eller fordon med manuell växellåda. Det hjälper dig att fokusera på relevant data för djupare analys, rapportering eller visualisering.

### Base R
Du kan filtrera rader genom att tillämpa ett villkor på en specifik kolumn. Till exempel, för att välja endast de bilar där bränsletypen är **Diesel**, använd `$`-operatorn för att referera till kolumnen och tillämpa ett logiskt villkor.

```
diesel_cars <- df[df$fuel == "Diesel", ]
```

### dplyr
Du kan använda funktionen `filter()` och ange villkoret direkt.
```
diesel_cars_dplyr <- df %>%    
  filter(fuel == "Diesel")
```

## Filtrering baserat på numeriskt värde
Det går även att filtrera data med numeriska jämförelser.

### Base R
```
expensive_cars <- df[df$selling_price > 500000, ]
```

### dplyr
```
cheap_cars_dplyr <- df %>%
  filter(selling_price < 500000)
```

### Base R
Det går att kombinera villkor med logiska operatorer som `&` för **OCH**.
```
diesel_manual_cars <- df[df$fuel == "Diesel" & df$transmission == "Manual", ]
```

### dplyr
Du kan ange flera villkor till funktionen `filter()`, separerade med kommatecken.
```
diesel_manual_cars_dplyr <- df %>%
  filter(fuel == "Diesel", transmission == "Manual")
```

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 utforskning.

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 förbättra dem med stilinställningar och facettering för att avslöja djupare insikter i dina data.

Fördjupa 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.

Filtrering av Data - Grundläggande Villkor

Filtrering efter kategori

Base R

dplyr

Filtrering baserat på numeriskt värde

Base R

dplyr

Flera villkor

Base R

dplyr

Awesome!

Filtrering av Data - Grundläggande Villkor

Filtrering efter kategori

Base R

dplyr

Filtrering baserat på numeriskt värde

Base R

dplyr

Flera villkor

Base R

dplyr