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.

La oss gå videre og fortsette å hente ut kolonner og rader ved hjelp av indekser. Du bør derfor være kjent med en attributt som ligner på `loc[]`.

Vår neste attributt er `iloc[]`; dette står for **index-location**, og som du kanskje har gjettet, lar den oss arbeide med både kolonne- og radindekser.

Først må vi repetere hvordan indekser fungerer. **Første** rad har indeksen `0`, den neste `1`, deretter `2`, og så videre. Vi kan også telle bakfra (selv om dette ikke alltid er praktisk i datasett, kan det likevel være nyttig noen ganger), så **siste** rad har indeksen `-1`, **nest siste** er `-2`, og så videre...

Se på tabellen:

Vi starter imidlertid med den enkleste bruken av attributten `iloc[]`, og arbeider med følgende datasett (nedenfor vises de fem første radene):

Se på kodeeksempelet og resultatet:

- `data.iloc[0]` – henter ut **aller første** rad i datasettet;
- `data.iloc[1]` – henter ut **andre** rad i datasettet;
- `data.iloc[-1]` – henter ut **siste** rad i datasettet;
- `data.iloc[-2]` – henter ut **nest siste** rad i datasettet.

Som du kanskje har lagt merke til, viser variabelen `Name` radnummeret på slutten av utdataene, for eksempel `Name: 998`.
## Spørsmål
**Bytt ut plassholderne** `___` **i kodevinduet med koden din for å svare på spørsmålet under**.

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)

Merk at indeksen til den første personen er **0**.

Ekstraher den andre og den siste raden i kodevinduet ovenfor. Hva heter disse personene?

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 mer om indeksering

Spørsmål