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` 関数は、`lambda` キーワードで定義される小さく匿名の関数。`def` で定義される通常の関数とは異なり、`lambda` 関数には名前がなく、短く一度きりのロジックに使用される。

定義

構文:
```python
lambda arguments: expression
```

この関数は `arguments` を受け取り、`expression` の結果を返す。いくつかの簡単な例:

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

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

## `lambda` と `iloc[]` の併用

pandas では、`iloc[]` は通常、整数ベースの位置を受け取ります。しかし、`lambda` 関数も渡すことができます。この場合、`x` は DataFrame 自体を指し、`x.index` で行インデックスの値を取得します:
```python
data.iloc[lambda x: x.index < 5]
```

これは最初の5行（インデックス `0` から `4`）を返します。各部分の役割は以下の通りです:

- `lambda x`: `x` を DataFrame とする無名関数の定義；
- `x.index`: 行インデックス値へのアクセス；
- `x.index < 5`: フィルタ条件；インデックスが `5` 未満の行のみ選択。

結果は、`iloc[]` が行をフィルタするために使用するブール配列となります。



## インデックスの偶奇によるフィルタリング

よくあるユースケースとして、データセットを偶数・奇数インデックスで分割する方法があります。剰余演算子 `%` は割り算の余りを返します:

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` は、インデックスが `True` で割り切れる（偶数）の場合に `2` となり、それ以外の場合は `False` となる。

次のコードにおいて、`x` は何を指しますか？

このコースは、将来のデータアナリストのために多くの有用な関数を含んでいます。さまざまなデータ抽出方法を学び、条件を設定することもできます。その後、データのグループ化手法に精通することができます。また、データの前処理方法も学びます。各セクションには独自のデータセットが用意されているため、コースは魅力的なものとなっています。

このセクションでは、タイトルやインデックスによって特定の列を出力する方法を学びます。また、インデックスによって行を選択する方法についても理解を深めます。

ここでは、特定の条件を持つデータを抽出する方法を学びます。また、それらを組み合わせたり、自分自身で条件を作成したりする方法も学びます。

このセクションでは、さまざまなデータ条件の設定に関する知識を深めます。データが定義された値のリストに含まれているか、または2つの値の間にあるかを確認する方法を学びます。また、最大値と最小値を見つける方法についても学びます。

このセクションはコースの中でも特に興味深い内容の一つです。ここでは、データをさまざまな方法でグループ化する方法を学びます。特定のデータグループに関する情報を見つけるために、データアナリストとして役立つスキルを身につけることができます。

このセクションはデータアナリストにとって最も重要なものの一つです。なぜなら、データに不適切な形式の欠損値が含まれている場合、作業が不可能になるためです。したがって、ここではそのような不適切な値への対処方法を学びます。

Lambda関数について学ぶ

lambda と iloc[] の併用

インデックスの偶奇によるフィルタリング

`lambda` と `iloc[]` の併用