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.

Une fonction `lambda` est une petite fonction anonyme définie avec le mot-clé `lambda`. Contrairement aux fonctions classiques définies avec `def`, une fonction `lambda` n'a pas de nom et est destinée à une logique courte et à usage unique.

Définition

La syntaxe est :
```python
lambda arguments: expression
```

La fonction prend des `arguments` et retourne le résultat de `expression`. Quelques exemples simples :


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

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

## Utilisation de `lambda` avec `iloc[]`

Dans pandas, `iloc[]` accepte normalement des positions basées sur des entiers. Cependant, il est également possible de passer une fonction `lambda` – dans ce cas, `x` fait référence au DataFrame lui-même, et `x.index` fournit les valeurs d'index des lignes :
```python
data.iloc[lambda x: x.index < 5]
```

Cela retourne les cinq premières lignes (indices `0` à `4`). Voici ce que fait chaque partie :

- `lambda x` : définit une fonction anonyme où `x` est le DataFrame ;
- `x.index` : accède aux valeurs d'index des lignes ;
- `x.index < 5` : condition de filtrage ; seules les lignes dont l'index est inférieur à `5` sont sélectionnées.

Le résultat est un tableau booléen que `iloc[]` utilise pour filtrer les lignes.



## Filtrage selon la parité de l'index

Un cas d'utilisation courant consiste à diviser un ensemble de données selon les indices pairs et impairs. L'opérateur modulo `%` retourne le reste de la division :

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` est `True` lorsque l'index est divisible par `2` (pair), et `False` sinon.

À quoi fait référence `x` dans le code suivant ?

Ce cours contient de nombreuses fonctions utiles pour un futur analyste de données. Vous apprendrez différentes méthodes d'extraction de données et pourrez même y appliquer des conditions. Ensuite, vous vous familiariserez avec les méthodes de regroupement des données. De plus, vous découvrirez comment prétraiter les données. Chaque section dispose de son propre ensemble de données, rendant le cours captivant.

Cette section vous apprendra comment afficher des colonnes spécifiques par leurs titres ou indices. Vous vous familiariserez également avec les différentes méthodes de sélection des lignes par indices.

Ici, vous apprendrez à extraire des données répondant à des conditions spécifiques. Vous apprendrez également à les combiner et même à créer vos propres conditions.

Dans cette section, vous approfondirez vos connaissances sur la définition de différentes conditions de données. Vous apprendrez à vérifier si vos données figurent dans une liste de valeurs définie ou se situent entre deux valeurs. Vous apprendrez également à identifier les valeurs les plus grandes et les plus petites.

Cette section est l'une des plus fascinantes du cours. Ici, vous apprendrez à regrouper des données de différentes manières. Cela vous aidera à travailler en tant qu'analyste de données pour obtenir des informations sur des groupes de données spécifiques.

Cette section est l'une des plus importantes pour un analyste de données, car si les données contiennent des valeurs manquantes ou sont dans un format incorrect, il sera impossible de les exploiter. Ainsi, vous apprendrez ici comment traiter de telles valeurs inappropriées.

Découverte des Fonctions Lambda

Utilisation de lambda avec iloc[]

Filtrage selon la parité de l'index

Utilisation de `lambda` avec `iloc[]`