Summary  
This chapter explains how to select columns from a data frame by name using either square-bracket indexing or the `$` accessor.  

General domain of usage  
Data analysis

Since data frames have names on their columns, you should be able to extract necessary data using them.

There are several ways in R to refer to a particular column using naming. One of them is the same as in vectors and matrices: column name within square brackets (for example, `data[, "col_name"]`). The second way is unique for data frames - using the dollar `$` sign. The syntax is `data$col_name` (yes, without quotation marks). For example, you can extract the column `"Age"` from the data frame created in the last chapter.

# Data
name <- c("Alex", "Julia", "Finn")
age <- c(24, 43, 32)
gender <- c("M", "F", "M")
# Creating a data frame
test <- data.frame(name, age, gender)

# Extracting the name column using two ways
test[,"name"]
test$name

R est l'un des langages de programmation les plus populaires parmi les analystes de données et les data scientists. R dispose d'une large communauté qui vous aidera toujours avec n'importe quel problème. De plus, R possède des tonnes de différents packages conçus pour résoudre divers problèmes. Le langage peut être facilement appliqué aux problèmes de statistiques et d'analyse de données. Dans la première partie, vous serez introduit aux bases de R et vous traiterez des valeurs 1-D uniques de différents types.

Dans la section initiale, vous plongerez dans les éléments fondamentaux de R, tels que la génération de sortie et l'exécution d'opérations élémentaires. Cette section se terminera par une exploration de la théorie derrière les variables.

Vous vous familiariserez avec la classe de vecteurs en R, qui gère également les valeurs individuelles. Ici, vous explorerez les principaux types de données pour les valeurs singulières et apprendrez à gérer plusieurs valeurs du même type simultanément.

Les facteurs, également connus sous le nom de variables catégorielles, sont courants dans le monde réel. Les exemples incluent les groupes sanguins, les devises, les nationalités et les marques. Contrairement aux variables numériques, les facteurs ont un ensemble limité de valeurs possibles.

Understand how to represent and work with structured two-dimensional data. Build confidence in transforming, labeling, and applying operations to matrices for analytical tasks.

Master the most widely used data structure in R for tabular information. Learn to organize, transform, and extract insights from datasets to support data-driven decisions.

Learn how lists extend beyond vectors by storing elements of different types and lengths. Develop the ability to create, access, and modify lists for organizing complex data structures.

Columns Accessors

Solution

Awesome!

Columns Accessors

Solution

Awesome!