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.

En `lambda`-funksjon er en liten, anonym funksjon definert med nøkkelordet `lambda`. I motsetning til vanlige funksjoner definert med `def`, har en `lambda`-funksjon ikke noe navn og er ment for kort, engangsbruk logikk.

Definisjon

Syntaksen er:
```python
lambda arguments: expression
```

Funksjonen tar `arguments` og returnerer resultatet av `expression`. Noen enkle eksempler:


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

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

## Bruk av `lambda` med `iloc[]`

I pandas aksepterer `iloc[]` vanligvis posisjoner basert på heltall. Du kan imidlertid også sende inn en `lambda`-funksjon – i dette tilfellet refererer `x` til selve DataFrame-en, og `x.index` gir deg radindeksverdiene:
```python
data.iloc[lambda x: x.index < 5]
```

Dette returnerer de fem første radene (indeksene `0` til og med `4`). Her er hva hver del gjør:

- `lambda x`: definerer en anonym funksjon der `x` er DataFrame-en;
- `x.index`: gir tilgang til radindeksverdiene;
- `x.index < 5`: filtreringsbetingelsen; kun rader med indeks mindre enn `5` blir valgt.

Resultatet er et boolsk array som `iloc[]` bruker til å filtrere rader.



## Filtrering etter indeksparitet

Et vanlig brukstilfelle er å dele et datasett etter partall- og oddetallsindekser. Modulo-operatoren `%` returnerer resten etter divisjon:

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` er `True` når indeksen er delelig med `2` (partall), og `False` ellers.

Dette kurset inneholder mange nyttige funksjoner for en fremtidig dataanalytiker. Du vil lære ulike måter å hente ut data på og til og med sette betingelser for dem. Etter dette vil du bli kjent med metoder for å gruppere data. Du vil også lære hvordan du forhåndsbehandler data. Hver seksjon har sitt eget datasett, noe som gjør kurset engasjerende.

Denne seksjonen vil lære deg hvordan du kan hente ut spesifikke kolonner ved hjelp av titler eller indekser. Du vil også bli kjent med ulike måter å velge rader basert på indekser.

Her vil du lære hvordan du kan hente ut data som oppfyller spesifikke betingelser. Du vil også lære hvordan du kan kombinere dem og til og med lage dine egne.

I denne delen vil du utvide kunnskapen din om å sette ulike datakriterier. Du vil lære å sjekke om dataene dine finnes i en definert liste med verdier eller mellom to verdier. Du vil også lære hvordan du finner de største og minste verdiene.

Denne seksjonen er en av de mest fascinerende i kurset. Her vil du lære hvordan du kan gruppere data på ulike måter. Dette vil hjelpe deg som dataanalytiker med å finne informasjon om spesifikke datagrupper.

Denne seksjonen er en av de viktigste for en dataanalytiker fordi det vil være umulig å arbeide med dataene dersom de inneholder manglende verdier eller feil format. Derfor vil du lære hvordan du håndterer slike upassende verdier her.

Lære om lambda-funksjoner

Bruk av lambda med iloc[]

Filtrering etter indeksparitet

Bruk av `lambda` med `iloc[]`