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.

Eine `lambda`-Funktion ist eine kleine, anonyme Funktion, die mit dem Schlüsselwort `lambda` definiert wird. Im Gegensatz zu regulären Funktionen, die mit `def` definiert werden, hat eine `lambda`-Funktion keinen Namen und ist für kurze, einmalige Logik vorgesehen.

Definition

Die Syntax lautet:
```python
lambda arguments: expression
```

Die Funktion nimmt `arguments` entgegen und gibt das Ergebnis des `expression` zurück. Einige einfache Beispiele:


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

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

## Verwendung von `lambda` mit `iloc[]`

In pandas akzeptiert `iloc[]` normalerweise positionsbasierte Ganzzahlen. Es ist jedoch auch möglich, eine `lambda`-Funktion zu übergeben – in diesem Fall bezieht sich `x` auf das DataFrame selbst, und `x.index` liefert die Zeilenindexwerte:
```python
data.iloc[lambda x: x.index < 5]
```

Dies gibt die ersten fünf Zeilen zurück (Indizes `0` bis `4`). Die einzelnen Bestandteile bedeuten:

- `lambda x`: definiert eine anonyme Funktion, wobei `x` das DataFrame ist;
- `x.index`: greift auf die Zeilenindexwerte zu;
- `x.index < 5`: die Filterbedingung; es werden nur Zeilen ausgewählt, deren Index kleiner als `5` ist.

Das Ergebnis ist ein boolesches Array, das von `iloc[]` zur Filterung der Zeilen verwendet wird.



## Filtern nach Index-Parität

Ein häufiger Anwendungsfall ist das Aufteilen eines Datensatzes nach geraden und ungeraden Indizes. Der Modulo-Operator `%` gibt den Rest einer Division zurück:

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` ist `True`, wenn der Index durch `2` teilbar ist (gerade), und andernfalls `False`.

Worauf bezieht sich `x` im folgenden Code?

Dieser Kurs enthält viele nützliche Funktionen für angehende Data Analysts. Sie lernen verschiedene Methoden zur Extraktion von Daten kennen und können sogar Bedingungen darauf anwenden. Anschließend werden Sie mit Methoden zur Gruppierung von Daten vertraut gemacht. Außerdem lernen Sie, wie man Daten vorverarbeitet. Jeder Abschnitt verfügt über einen eigenen Datensatz, sodass der Kurs spannend bleibt.

In diesem Abschnitt lernen Sie, wie Sie bestimmte Spalten anhand ihrer Titel oder Indizes ausgeben. Außerdem machen Sie sich mit den Methoden vertraut, mit denen Sie Zeilen anhand von Indizes auswählen können.

Hier lernen Sie, wie man Daten extrahiert, die bestimmte Bedingungen erfüllen. Außerdem lernen Sie, wie man diese kombiniert und sogar eigene Bedingungen erstellt.

In diesem Abschnitt erweitern Sie Ihr Wissen über das Festlegen verschiedener Datenbedingungen. Sie lernen, zu überprüfen, ob Ihre Daten in einer definierten Werteliste oder zwischen zwei Werten liegen. Sie erfahren außerdem, wie Sie die größten und kleinsten Werte finden.

Dieser Abschnitt ist einer der faszinierendsten des Kurses. Hier lernen Sie, wie Sie Daten auf verschiedene Arten gruppieren können. Dies wird Ihnen als Data Analyst helfen, Informationen über bestimmte Datengruppen zu ermitteln.

Dieser Abschnitt ist einer der wichtigsten für Datenanalysten, da es unmöglich ist, mit Daten zu arbeiten, wenn sie fehlende Werte oder ein falsches Format enthalten. Daher lernen Sie hier, wie man mit solchen ungeeigneten Werten umgeht.

Learning About Lambda-Funktionen

Verwendung von lambda mit iloc[]

Filtern nach Index-Parität

Verwendung von `lambda` mit `iloc[]`