Summary  
This chapter explains how to use integer-location based indexing with Pandas’ iloc attribute to select rows (and columns) by their positional indices, demonstrating both positive and negative indexing.  

General domain of usage  
Data analysis

Watch this video to see how the `iloc[]` attribute in pandas allows you to select rows and columns by their integer positions. You'll learn how to use positive and negative indices to extract specific rows from a DataFrame, such as the first, second, last, and second-to-last entries. The video walks through real-world code examples and demonstrates how the index positions correspond to the data you see in your tables, making it easy to understand and apply `iloc[]` for your own data selection tasks.

Lad os gå videre og fortsætte med at udtrække kolonner og rækker ved hjælp af indekser. Derfor skal du kende til et attribut, der ligner `loc[]`.

Vores næste attribut er `iloc[]`; det står for **index-location**, og du har måske gættet, at det giver os mulighed for at arbejde med både kolonne- og rækkeindekser.

Først skal vi genkalde indekser. **Første** række har indekset `0`, den næste `1`, derefter `2` og så videre. Men vi kan også tælle bagfra (det er ikke så praktisk i datasæt, men det kan være nyttigt i visse tilfælde), så **sidste** række har indekset `-1`, **næstsidste** har `-2` og så videre...

Se på tabellen:

Vi starter dog med den simpleste anvendelse af attributten `iloc[]`, hvor vi arbejder med følgende datasæt (nedenfor ses de første fem rækker):

Se på kodeeksemplet og output:

- `data.iloc[0]` - udtrækker **allerførste** række i datasættet;
- `data.iloc[1]` - udtrækker **anden** række i datasættet;
- `data.iloc[-1]` - udtrækker **sidste** række i datasættet;
- `data.iloc[-2]` - udtrækker **næstsidste** række i datasættet.

Som du måske har bemærket, viser variablen `Name` også rækkenummeret i slutningen af outputtet, såsom `Name: 998`.
## Spørgsmål
**Erstat pladsholderne** `___` **i et kodevindue med din kode for at besvare spørgsmålet nedenfor**.

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

print(data.___) # CHANGE CODE HERE (to answer the question below)
print(data.___) # CHANGE CODE HERE (to answer the question below)

Bemærk, at indekset for den første person er **0**.

Udtræk den anden og den sidste række i kodevinduet ovenfor. Hvad er navnene på disse personer?

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 Mere om Indeksering

Spørgsmål