También puedes acceder a las filas en un DataFrame por su índice. Hay múltiples maneras de hacer esto:
- `.iloc` - se utiliza para acceder a las filas por su índice numérico, comenzando desde 0;
- `.loc` - se utiliza para acceder a las filas por su etiqueta de cadena.

En este curso, nos centraremos exclusivamente en usar el atributo `.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)

El DataFrame tiene la siguiente estructura:

Puedes notar la primera columna, que sirve como el índice de fila. Usaremos estos índices para acceder a filas específicas en el DataFrame. La sintaxis de este atributo es la siguiente:

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

Podemos aplicar este atributo para acceder a la tercera y séptima filas de nuestro 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])

Después de ejecutar el código anterior, obtendrás las filas que corresponden a los índices indicados en la imagen a continuación:

Pandas es una biblioteca extremadamente fácil de usar para el análisis de datos. También está diseñada para manejar grandes conjuntos de datos, utilizando estructuras de datos como DataFrame y Series. Esto la convierte en una herramienta invaluable para la Ciencia de Datos. En esta guía, te familiarizarás con una variedad de funciones estadísticas, incluyendo cómo encontrar correlaciones, modas, medianas y valores máximos y mínimos dentro de un conjunto de datos. También aprenderás a manejar valores faltantes y manipular valores específicos, así como a eliminarlos.

En esta sección, exploraremos los fundamentos de las estructuras Series y DataFrame. También aprenderás sobre las diferencias entre estos dos tipos de estructuras.

Los datos pueden obtenerse en varios formatos, como CSV, JSON, SQL, HTML y más. Con Pandas, no estás limitado a un solo formato: puedes trabajar con datos de una multitud de tipos de archivos. En este capítulo, nos centraremos específicamente en los formatos CSV y TXT.

Aquí, aprenderás a procesar datos en bruto eliminando información innecesaria y gestionando valores nulos en un conjunto de datos.

Primeros Pasos con Pandas

Conceptos Básicos de iloc