También puede acceder a las filas de un DataFrame por su índice. Hay varias formas de hacerlo:
- `.iloc` - se utiliza para acceder a las filas por su índice numérico, empezando por 0.
- `.loc` - se utiliza para acceder a las filas por su etiqueta de cadena.

En este curso, nos centraremos exclusivamente en el uso de la función `.iloc()`.

En primer lugar, vamos a crear un DataFrame con el que trabajar.

import pandas
dataset = {'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 = pandas.DataFrame(dataset)
print(countries)

El DataFrame tiene la siguiente estructura:

Puede observar la primera columna, que sirve como índice de fila. Utilizaremos estos índices para acceder a filas específicas del DataFrame. Ahora examinemos la sintaxis de esta función:

```python
dataframe.iloc[index]
```

Ahora es el momento de aplicar esta función a nuestro DataFrame.

import pandas
dataset = {'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 = pandas.DataFrame(dataset)
# Accessing to the third and seventh rows
print(countries.iloc[2])
print(countries.iloc[6])

Tras ejecutar el código anterior, obtendrá filas que corresponden a los índices indicados en la imagen siguiente:

Pandas is an extremely user-friendly library for data analysis. It's also designed to handle large datasets, using data structures like DataFrame and Series. This makes it an invaluable tool for Data Science. In this guide, you'll get acquainted with a range of statistical functions, including how to find correlations, modes, medians, and maximum and minimum values within a dataset. You'll also learn how to handle missing values and manipulate specific values, as well as how to remove them.

En esta sección, exploraremos los fundamentos de las estructuras Series y DataFrame. También aprenderá acerca de las distinciones entre estos dos tipos de estructuras.

Los datos pueden obtenerse en varios formatos, como CSV, JSON, SQL, HTML y más. Con Pandas, no está limitado a un único formato - puede trabajar con datos a través de una multitud de tipos de archivo. En este capítulo, nos centraremos específicamente en los formatos CSV y TXT.

Aquí aprenderá a procesar datos sin procesar eliminando la información superflua y gestionando los valores nulos de un conjunto de datos.

Primeros Pasos con Pandas

Función iloc() 1/2

Primeros Pasos con Pandas

Función iloc() 1/2