Summary  
This chapter covers Python’s lambda functions—anonymous, single-expression functions defined with the lambda keyword—and demonstrates using them for concise inline operations such as applying transformations to data and filtering rows by index positions with pandas’ iloc.  

General domain of usage  
Data manipulation and analysis

Watch this video to see how `lambda` functions work in Python and how you can use them with pandas for flexible data selection, including practical demonstrations of filtering DataFrames by index using `iloc[]` and `lambda`. This video will help reinforce your understanding with step-by-step examples and real-world data scenarios.

En `lambda`-funktion er en lille, anonym funktion defineret med nøgleordet `lambda`. I modsætning til almindelige funktioner defineret med `def`, har en `lambda`-funktion intet navn og er beregnet til kort, engangsbrug logik.

Definition

Syntaksen er:
```python
lambda arguments: expression
```

Funktionen tager `arguments` og returnerer resultatet af `expression`. Et par enkle eksempler:


double = lambda x: x * 2
print(double(5))  # Returns 10

is_even = lambda x: x % 2 == 0
print(is_even(4))  # Returns True

## Brug af `lambda` med `iloc[]`

I pandas accepterer `iloc[]` normalt positioner baseret på heltal. Du kan dog også videregive en `lambda`-funktion – i dette tilfælde refererer `x` til selve DataFrame, og `x.index` giver dig rækkeindeks-værdierne:
```python
data.iloc[lambda x: x.index < 5]
```

Dette returnerer de første fem rækker (indeks `0` til og med `4`). Her er, hvad hver del gør:

- `lambda x`: definerer en anonym funktion, hvor `x` er DataFrame;
- `x.index`: tilgår rækkeindeks-værdierne;
- `x.index < 5`: filtreringsbetingelsen; kun rækker, hvis indeks er mindre end `5`, vælges.

Resultatet er et boolesk array, som `iloc[]` bruger til at filtrere rækker.



## Filtrering efter indeks-paritet

Et almindeligt anvendelsestilfælde er opdeling af et datasæt efter lige og ulige indekser. Modulo-operatoren `%` returnerer resten af divisionen:

import pandas as pd

# Data import
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/IMDb_Data_final.csv')

# Rows with even indices (0, 2, 4, ...)
even = data.iloc[lambda x: x.index % 2 == 0]
print(even.head())

# Rows with odd indices (1, 3, 5, ...)
odd = data.iloc[lambda x: x.index % 2 != 0]
print(odd.head())

`x.index % 2 == 0` er `True`, når indekset er deleligt med `2` (lige), og `False` ellers.

Dette kursus indeholder mange nyttige funktioner for en kommende dataanalytiker. Du vil lære forskellige måder at udtrække data på og endda sætte betingelser for dem. Herefter vil du blive fortrolig med metoder til gruppering af data. Du vil også lære, hvordan man forbehandler data. Hvert afsnit har sit eget datasæt, så kurset bliver spændende.

Dette afsnit vil lære dig, hvordan du kan udtrække specifikke kolonner ved hjælp af deres titler eller indekser. Du vil også blive introduceret til måder, hvorpå du kan vælge rækker ud fra deres indekser.

Her vil du lære, hvordan man udtrækker data, der opfylder specifikke betingelser. Du vil også lære, hvordan man kombinerer dem og endda opretter dine egne.

I dette afsnit vil du udvide din viden om at opstille forskellige datakriterier. Du vil lære at kontrollere, om dine data er i en defineret liste af værdier eller mellem to værdier. Du vil også lære, hvordan du finder de største og mindste værdier.

Dette afsnit er et af de mest fascinerende i kurset. Her vil du lære, hvordan man grupperer data på forskellige måder. Det vil hjælpe dig som dataanalytiker med at finde information om specifikke datagrupper.

Dette afsnit er et af de mest betydningsfulde for en dataanalytiker, fordi det vil være umuligt at arbejde med data, hvis de indeholder manglende dataværdier i forkert format. Derfor vil du her lære, hvordan man håndterer sådanne upassende værdier.

Lære om lambda-funktioner

Brug af lambda med iloc[]

Filtrering efter indeks-paritet

Brug af `lambda` med `iloc[]`