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`-funktion är en liten, anonym funktion som definieras med nyckelordet `lambda`. Till skillnad från vanliga funktioner som definieras med `def`, har en `lambda`-funktion inget namn och är avsedd för kort, engångsanvänd logik.

Definition

Syntaxen är:
```python
lambda arguments: expression
```

Funktionen tar `arguments` och returnerar resultatet av `expression`. Några enkla exempel:


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

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

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

I pandas accepterar `iloc[]` normalt heltalsbaserade positioner. Du kan dock även använda en `lambda`-funktion – i detta fall syftar `x` på själva DataFrame-objektet, och `x.index` ger dig radindexvärdena:
```python
data.iloc[lambda x: x.index < 5]
```

Detta returnerar de första fem raderna (index `0` till och med `4`). Här är vad varje del gör:

- `lambda x`: definierar en anonym funktion där `x` är DataFrame-objektet;
- `x.index`: hämtar radindexvärdena;
- `x.index < 5`: filtreringsvillkoret; endast rader vars index är mindre än `5` väljs ut.

Resultatet är en boolesk array som `iloc[]` använder för att filtrera rader.



## Filtrering efter indexparitet

Ett vanligt användningsområde är att dela upp en datamängd efter jämna och udda index. Modulooperatorn `%` returnerar resten av divisionen:

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` är `True` när index är delbart med `2` (jämnt), och `False` annars.

Denna kurs innehåller många användbara funktioner för en framtida dataanalytiker. Du kommer att lära dig olika sätt att extrahera data och även sätta villkor på den. Därefter kommer du att bli bekant med metoder för att gruppera data. Du kommer också att lära dig hur man förbehandlar data. Varje avsnitt har sitt eget dataset, vilket gör kursen engagerande.

Detta avsnitt lär dig hur du kan visa specifika kolumner utifrån deras titlar eller index. Du kommer även att bekanta dig med olika sätt att välja rader utifrån index.

Här kommer du att lära dig hur du extraherar data som uppfyller specifika villkor. Du kommer även att lära dig hur du kombinerar dessa och till och med skapar egna.

I det här avsnittet kommer du att fördjupa dina kunskaper om att ställa in olika datavillkor. Du kommer att lära dig att kontrollera om dina data finns i en definierad lista av värden eller mellan två värden. Du kommer även att lära dig hur du hittar de största och minsta värdena.

Detta avsnitt är ett av de mest fascinerande i kursen. Här kommer du att lära dig hur man grupperar data på olika sätt. Det kommer att hjälpa dig att arbeta som dataanalytiker för att hitta information om specifika datagrupper.

Detta avsnitt är ett av de mest betydelsefulla för en dataanalytiker eftersom det blir omöjligt att arbeta med data om den innehåller saknade värden eller är i fel format. Därför kommer du att lära dig hur man hanterar sådana olämpliga värden här.

Lära Sig om Lambda-Funktioner

Användning av lambda med iloc[]

Filtrering efter indexparitet

Användning av `lambda` med `iloc[]`