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.

Poursuivons et continuons à extraire des colonnes et des lignes par indices. Il est donc nécessaire de se familiariser avec un attribut similaire à `loc[]`.

L'attribut suivant est `iloc[]` ; il signifie **index-location** (emplacement d'index), et comme vous l'avez peut-être deviné, il permet de travailler avec les indices des colonnes et des lignes.

Tout d'abord, rappelons les indices. La **première** ligne a l'indice `0`, la suivante `1`, puis `2`, et ainsi de suite. Mais il est également possible de compter à partir de la fin (ce qui n'est pas très pratique dans les ensembles de données, mais peut parfois être utile), ainsi la **dernière** ligne a l'indice `-1`, l'**avant-dernière** a l'indice `-2`, etc.

Regardez le tableau :

Cependant, nous allons commencer par la mise en œuvre la plus simple de l'attribut `iloc[]`, en travaillant avec l'ensemble de données suivant (ci-dessous, ses cinq premières lignes) :

Consultez l'exemple de code et le résultat :

- `data.iloc[0]` - extrait la **toute première** ligne de l'ensemble de données ;
- `data.iloc[1]` - extrait la **deuxième** ligne de l'ensemble de données ;
- `data.iloc[-1]` - extrait la **toute dernière** ligne de l'ensemble de données ;
- `data.iloc[-2]` - extrait l'**avant-dernière** ligne de l'ensemble de données.

Comme vous l'avez peut-être remarqué, à la fin de la sortie, la variable `Name` affiche également le numéro de la ligne, comme `Name: 998`.
## Question
**Remplacez les espaces réservés** `___` **dans une fenêtre de code par votre code pour répondre à la question ci-dessous.**

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)

Notez que l'index de la première personne est **0**.

Extrayez la deuxième et la dernière ligne dans la fenêtre de code ci-dessus. Quels sont les noms de ces personnes ?

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.

Learning More About Indexation

Question