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.

Jatketaan eteenpäin ja jatketaan sarakkeiden ja rivien poimimista indeksien avulla. Sinun tulee siis olla perehtynyt `loc[]`-attribuuttia vastaavaan attribuuttiin.

Seuraava attribuuttimme on `iloc[]`; se tarkoittaa **index-location** (indeksisijainti), ja kuten ehkä arvasit, sen avulla voidaan käsitellä sekä sarakkeiden että rivien indeksejä.

Ensiksi on hyvä palauttaa mieleen indeksit. **Ensimmäisellä** rivillä on indeksi `0`, seuraavalla `1`, sitten `2` ja niin edelleen. Voimme myös laskea lopusta päin (tämä ei tosin ole kovin kätevää tietoaineistoissa, mutta voi olla hyödyllistä joissain tilanteissa), joten **viimeisellä** rivillä on indeksi `-1`, **toiseksi viimeisellä** `-2` ja niin edelleen...

Katso taulukkoa:

Aloitamme kuitenkin attribuutin `iloc[]` yksinkertaisimmalla käytöllä, hyödyntäen seuraavaa tietoaineistoa (alla näkyvät sen viisi ensimmäistä riviä):

Katso esimerkkikoodia ja tulostetta:

- `data.iloc[0]` – poimii tietoaineiston **ensimmäisen** rivin;
- `data.iloc[1]` – poimii **toisen** rivin;
- `data.iloc[-1]` – poimii tietoaineiston **viimeisen** rivin;
- `data.iloc[-2]` – poimii **toiseksi viimeisen** rivin.

Kuten olet ehkä huomannut, tulosteen lopussa muuttuja `Name` näyttää myös rivinumeron, esimerkiksi `Name: 998`.
## Kysymys
**Korvaa paikkamerkit** `___` **koodikentässä omalla koodillasi vastataksesi alla olevaan kysymykseen**.

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)

Huomaa, että ensimmäisen henkilön indeksi on **0**.

Poimi toinen ja viimeinen rivi yllä olevasta koodi-ikkunasta. Mitkä ovat näiden henkilöiden nimet?

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.

Lisätietoa indeksoinnista

Kysymys