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.

Wir gehen weiter und extrahieren weiterhin Spalten und Zeilen anhand von Indizes. Daher ist es wichtig, ein Attribut kennenzulernen, das dem `loc[]` ähnelt.

Das nächste Attribut ist `iloc[]`; es steht für **index-location** und ermöglicht die Arbeit mit den Indizes von Spalten und Zeilen.

Zunächst sollten die Indizes in Erinnerung gerufen werden. Die **erste** Zeile hat den Index `0`, die nächste `1`, dann `2` und so weiter. Es ist auch möglich, vom Ende her zu zählen (das ist in Datensätzen zwar nicht besonders praktisch, kann aber gelegentlich hilfreich sein): Die **letzte** Zeile hat den Index `-1`, die **vorletzte** `-2` und so weiter...

Siehe die Tabelle:

Wir beginnen jedoch mit der einfachsten Anwendung des Attributs `iloc[]` und arbeiten mit dem folgenden Datensatz (unten sind die ersten fünf Zeilen dargestellt):

Sieh dir das Codebeispiel und die Ausgabe an:

- `data.iloc[0]` – extrahiert die **allererste** Zeile des Datensatzes;
- `data.iloc[1]` – extrahiert die **zweite** Zeile des Datensatzes;
- `data.iloc[-1]` – extrahiert die **allerletzte** Zeile des Datensatzes;
- `data.iloc[-2]` – extrahiert die **vorletzte** Zeile des Datensatzes.

Wie Sie vielleicht bemerkt haben, zeigt die Variable `Name` am Ende der Ausgabe ebenfalls die Zeilennummer an, zum Beispiel `Name: 998`.
## Frage
**Ersetzen Sie die Platzhalter** `___` **im Codefenster durch Ihren Code, um die untenstehende Frage zu beantworten**.

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)

Beachten Sie, dass der Index der ersten Person **0** ist.

Extrahiere die zweite und die letzte Zeile im obigen Codefenster. Wie lauten die Namen dieser Personen?

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.

Mehr Über Indizierung Lernen

Frage