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.

`lambda`-funktio on pieni, anonyymi funktio, joka määritellään `lambda`-avainsanalla. Toisin kuin tavalliset funktiot, jotka määritellään `def`-avainsanalla, `lambda`-funktiolla ei ole nimeä ja se on tarkoitettu lyhyisiin, kertaluonteisiin loogisiin operaatioihin.

Määritelmä

Syntaksi on:
```python
lambda arguments: expression
```

Funktio ottaa `arguments` ja palauttaa `expression`-lausekkeen tuloksen. Muutamia yksinkertaisia esimerkkejä:


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

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

## `lambda`-funktion käyttäminen `iloc[]`:n kanssa

Pandas-kirjastossa `iloc[]` hyväksyy normaalisti kokonaislukupohjaiset sijainnit. Voit kuitenkin myös välittää `lambda`-funktion – tässä tapauksessa `x` viittaa DataFrameen itseensä ja `x.index` palauttaa rivien indeksiarvot:
```python
data.iloc[lambda x: x.index < 5]
```

Tämä palauttaa viisi ensimmäistä riviä (indeksit `0`–`4`). Tässä on, mitä kukin osa tekee:

- `lambda x`: määrittelee anonyymin funktion, jossa `x` on DataFrame;
- `x.index`: hakee rivien indeksiarvot;
- `x.index < 5`: suodatusehto; valitaan vain rivit, joiden indeksi on alle `5`.

Tuloksena on totuusarvojen taulukko, jota `iloc[]` käyttää rivien suodattamiseen.



## Suodatus indeksin parillisuuden perusteella

Yleinen käyttötapaus on jakaa aineisto parillisiin ja parittomiin indekseihin. Jakojäännösoperaattori `%` palauttaa jakolaskun jäännöksen:

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` on `True`, kun indeksi on jaollinen luvulla `2` (parillinen), ja `False` muulloin.

Tämä kurssi sisältää runsaasti hyödyllisiä toimintoja tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja voit jopa asettaa niille ehtoja. Tämän jälkeen tulet tutuksi tietojen ryhmittelymenetelmien kanssa. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisessa osiossa on oma tietoaineistonsa, joten kurssi on mukaansatempaava.

Tässä osiossa opit, kuinka voit tulostaa tiettyjä sarakkeita niiden nimien tai indeksien perusteella. Lisäksi tutustut tapoihin, joilla voit valita rivejä indeksien avulla.

Tässä opit, kuinka voit poimia dataa, jolla on tietyt ehdot. Opit myös, kuinka yhdistää näitä ehtoja ja jopa luoda omia ehtoja.

Tässä osiossa laajennat tietämystäsi erilaisten datan ehtojen asettamisesta. Opit tarkistamaan, onko datasi määritellyssä arvolistassa tai kahden arvon välillä. Opit myös löytämään suurimmat ja pienimmät arvot.

Tämä osio on yksi kurssin kiehtovimmista. Tässä opit ryhmittelemään dataa eri tavoilla. Tämä auttaa sinua työskentelemään data-analyytikkona ja löytämään tietoa tietyistä dataryhmistä.

Tämä osio on yksi tärkeimmistä data-analyytikolle, koska jos data sisältää puuttuvia arvoja tai on väärässä muodossa, sen kanssa työskentely on mahdotonta. Tässä opit käsittelemään tällaisia sopimattomia arvoja.

Lambda-funktioihin Tutustuminen

lambda-funktion käyttäminen iloc[]:n kanssa

Suodatus indeksin parillisuuden perusteella

`lambda`-funktion käyttäminen `iloc[]`:n kanssa