Você também pode acessar linhas em um DataFrame pelo seu índice. Existem várias maneiras de fazer isso:
- `.iloc` - é usado para acessar linhas pelo seu índice numérico, começando do 0;
- `.loc` - é usado para acessar linhas pelo seu rótulo de string.

Neste curso, vamos nos concentrar exclusivamente no uso do atributo `.iloc`.

import pandas as pd

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pd.DataFrame(countries_data)
print(countries)

Você pode notar a primeira coluna, que serve como o índice das linhas. Usaremos esses índices para acessar linhas específicas no DataFrame. A sintaxe deste atributo é a seguinte:

```python
df.iloc[index]
```

Podemos aplicar este atributo para acessar a terceira e a sétima linhas do nosso DataFrame:

import pandas as pd

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}

countries = pd.DataFrame(countries_data)
# Accessing to the third and seventh rows
print(countries.iloc[2])
print(countries.iloc[6])

Após executar o código acima, você obterá as linhas que correspondem aos índices indicados na imagem abaixo:

Pandas é uma biblioteca extremamente amigável para análise de dados. Também é projetada para lidar com grandes conjuntos de dados, usando estruturas de dados como DataFrame e Series. Isso a torna uma ferramenta inestimável para Ciência de Dados. Neste guia, você se familiarizará com uma variedade de funções estatísticas, incluindo como encontrar correlações, modas, medianas e valores máximos e mínimos dentro de um conjunto de dados. Você também aprenderá a lidar com valores ausentes e manipular valores específicos, bem como como removê-los.

Nesta seção, exploraremos os fundamentos das estruturas Series e DataFrame. Você também aprenderá sobre as distinções entre esses dois tipos de estruturas.

Os dados podem ser obtidos em vários formatos, como CSV, JSON, SQL, HTML e mais. Com o Pandas, você não está limitado a um único formato — você pode trabalhar com dados em uma variedade de tipos de arquivos. Neste capítulo, vamos nos concentrar especificamente nos formatos CSV e TXT.

Aqui, você aprenderá a processar dados brutos removendo informações desnecessárias e gerenciando valores nulos em um conjunto de dados.

Primeiros Passos com Pandas

Conceitos Básicos de iloc