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.

Uma função `lambda` é uma função pequena e anônima definida com a palavra-chave `lambda`. Diferente das funções regulares definidas com `def`, uma função `lambda` não possui nome e é destinada a lógicas curtas e de uso único.

Definição

A sintaxe é:
```python
lambda arguments: expression
```

A função recebe `arguments` e retorna o resultado de `expression`. Alguns exemplos simples:


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

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

## Usando `lambda` com `iloc[]`

No pandas, `iloc[]` normalmente aceita posições baseadas em inteiros. No entanto, também é possível passar uma função `lambda` – nesse caso, `x` se refere ao próprio DataFrame, e `x.index` retorna os valores do índice das linhas:
```python
data.iloc[lambda x: x.index < 5]
```

Isso retorna as cinco primeiras linhas (índices de `0` a `4`). Veja o que cada parte faz:

- `lambda x`: define uma função anônima onde `x` é o DataFrame;
- `x.index`: acessa os valores do índice das linhas;
- `x.index < 5`: condição de filtragem; apenas as linhas cujo índice é menor que `5` são selecionadas.

O resultado é um array booleano que o `iloc[]` utiliza para filtrar as linhas.



## Filtrando por Paridade do Índice

Um caso de uso comum é dividir um conjunto de dados por índices pares e ímpares. O operador módulo `%` retorna o resto da divisão:

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` é `True` quando o índice é divisível por `2` (par) e `False` caso contrário.

Este curso contém diversas funções úteis para um futuro analista de dados. Você aprenderá diferentes formas de extrair dados e até mesmo definir condições sobre eles. Após isso, estará familiarizado com os métodos de agrupamento de dados. Além disso, você aprenderá como pré-processar dados. Cada seção possui seu próprio conjunto de dados, tornando o curso envolvente.

Esta seção ensinará como exibir colunas específicas pelos seus títulos ou índices. Além disso, você se familiarizará com as formas de selecionar linhas por índices.

Aqui, você aprenderá como extrair dados que possuem condições específicas. Além disso, você aprenderá como combiná-las e até mesmo criar as suas próprias.

Nesta seção, você expandirá seu conhecimento sobre como definir diferentes condições de dados. Você aprenderá a verificar se seus dados estão em uma lista definida de valores ou entre dois valores. Você também aprenderá a encontrar os maiores e menores valores.

Esta seção é uma das mais fascinantes do curso. Aqui, você aprenderá como agrupar dados de diferentes maneiras. Isso ajudará no trabalho como analista de dados para obter informações sobre grupos de dados específicos.

Esta seção é uma das mais significativas para um analista de dados, pois, se os dados contiverem valores ausentes ou em formato incorreto, será impossível trabalhar com eles. Assim, você aprenderá como lidar com esses valores inadequados aqui.

Aprendendo Sobre Funções Lambda

Usando lambda com iloc[]

Filtrando por Paridade do Índice

Usando `lambda` com `iloc[]`