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.

Låt oss gå vidare och fortsätta extrahera kolumner och rader med hjälp av index. Därför behöver du känna till ett attribut som liknar `loc[]`.

Vårt nästa attribut är `iloc[]`; det står för **index-location**, och du har kanske redan gissat att det låter oss arbeta med både kolumners och raders index.

Först behöver vi repetera index. **Första** raden har index `0`, nästa `1`, därefter `2`, och så vidare. Men vi kan också räkna bakifrån (detta är inte alltid praktiskt i datasätt, men kan vara användbart ibland), så den **sista** raden har index `-1`, näst sista `-2`, och så vidare...

Titta på tabellen:

Vi börjar dock med den enklaste användningen av attributet `iloc[]`, och arbetar med följande datasätt (nedan visas de fem första raderna):

Titta på kodexemplet och utdata:

- `data.iloc[0]` – extraherar **första** raden i datasettet;
- `data.iloc[1]` – extraherar **andra** raden i datasettet;
- `data.iloc[-1]` – extraherar **sista** raden i datasettet;
- `data.iloc[-2]` – extraherar **näst sista** raden i datasettet.

Som du kanske har lagt märke till visar variabeln `Name` även radnumret i slutet av utskriften, till exempel `Name: 998`.
## Fråga
**Ersätt platshållarna** `___` **i kodfönstret med din kod för att besvara frågan nedan**.

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)

Observera att indexet för den första personen är **0**.

Extrahera den andra och den sista raden i kodfönstret ovan. Vad heter dessa personer?

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 Mer om Indexering

Fråga