Summary  
The chapter introduces pandas’ iloc attribute for integer-based row selection in DataFrames, allowing you to access rows by their position (including negative indices).

General domain of usage  
Data analysis

Watch this video to see how the `.iloc` attribute in pandas lets you access rows by their numerical index. The demonstration covers the DataFrame structure, highlights how row indexing starts at 0, and shows step-by-step how to access the third and seventh rows using `.iloc[2]` and `.iloc[6]`, matching the examples and images from this chapter. Also video shows how to access values using negative indexing.

Du kan også få adgang til rækker i en DataFrame via deres indeks. Der er flere måder at gøre dette på:
- `.iloc` – bruges til at tilgå rækker via deres numeriske indeks, startende fra 0;
- `.loc` – bruges til at tilgå rækker via deres streng-etiket.

I dette kursus vil du udelukkende fokusere på brugen af attributten `.iloc`.


import pandas as pd

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pd.DataFrame(countries_data)
print(countries)

Du kan se den første kolonne, som fungerer som rækkeindeks. Brug disse indekser til at tilgå specifikke rækker i `DataFrame`. Syntaksen for denne attribut er:

```python
df.iloc[index]
```

Brug denne attribut til at tilgå den tredje og syvende række i `DataFrame`:


import pandas as pd

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}

countries = pd.DataFrame(countries_data)
# Accessing to the third and seventh rows
print(countries.iloc[2])
print(countries.iloc[6])

Efter at have kørt ovenstående kode, får du rækker, der svarer til de indekser, der er angivet på billedet nedenfor:

Pandas er et yderst brugervenligt bibliotek til dataanalyse. Det er også designet til at håndtere store datasæt ved hjælp af datastrukturer som DataFrame og Series. Dette gør det til et uvurderligt værktøj inden for Data Science. I denne guide bliver du introduceret til en række statistiske funktioner, herunder hvordan man finder korrelationer, typetal, medianer samt maksimum- og minimumværdier i et datasæt. Du lærer også, hvordan man håndterer manglende værdier og manipulerer specifikke værdier samt fjerner dem.

Dyk ned i grundlæggende elementer i pandas-biblioteket. Oprettelse og håndtering af Series og DataFrames, udforskning af deres struktur samt opbygning af fortrolighed med udførelse af essentielle dataoperationer.

Bliv fortrolig med at indlæse og håndtere data fra CSV- og TXT-filer. Opnå praktisk erfaring med import af datasæt og forberedelse til videre analyse ved hjælp af pandas-værktøjer.

Lær at udforske, rense og opsummere data effektivt. Forstå hvordan man håndterer manglende værdier, udtrækker indsigter og udfører grundlæggende statistiske operationer med pandas.

Iloc[] Grundlæggende

Iloc[] Grundlæggende