Summary  
This chapter covers defining and using anonymous lambda functions for inline operations, including applying them with pandas’ iloc to filter rows by index values or index parity.  

General domain of usage  
Data analysis with pandas

A `lambda` function is a small, anonymous function defined with the `lambda` keyword. Unlike regular functions defined with `def`, a `lambda` function has no name and is meant for short, one-time-use logic.

Definition

The syntax is:
```python
lambda arguments: expression
```

The function takes `arguments` and returns the result of `expression`. A few simple examples:


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

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

## Using `lambda` with `iloc[]`

In pandas, `iloc[]` normally accepts integer-based positions. However, you can also pass a `lambda` function – in this case, `x` refers to the DataFrame itself, and `x.index` gives you the row index values:
```python
data.iloc[lambda x: x.index < 5]
```

This returns the first five rows (indices `0` through `4`). Here is what each part does:

- `lambda x`: defines an anonymous function where `x` is the DataFrame;
- `x.index`: accesses the row index values;
- `x.index < 5`: the filtering condition; only rows whose index is less than `5` are selected.

The result is a boolean array that `iloc[]` uses to filter rows.



## Filtering by Index Parity

A common use case is splitting a dataset by even and odd indices. The modulo operator `%` returns the remainder of division:

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` is `True` when the index is divisible by `2` (even), and `False` otherwise.

What does `x` refer to in the following code?

Tämä kurssi sisältää runsaasti hyödyllisiä funktioita tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja jopa ehtojen asettamiseen niille. Tämän jälkeen tulet tutuksi tietojen ryhmittelymenetelmien kanssa. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisella osiolla on oma tietoaineistonsa, joten kurssi on mukaansatempaava.

Tässä osiossa opit tuottamaan tiettyjä sarakkeita niiden nimien tai indeksien perusteella. Lisäksi tutustut tapoihin valita rivejä indeksien avulla.

Tässä opit, kuinka tietoja voidaan poimia tiettyjen ehtojen perusteella. Lisäksi opit yhdistämään ehtoja ja luomaan omia ehtoja.

Tässä osiossa syvennät osaamistasi erilaisten datan ehtojen asettamisessa. Opit tarkistamaan, onko datasi määritellyssä arvolistassa tai kahden arvon välillä. Opit myös löytämään suurimmat ja pienimmät arvot.

Tämä osio on yksi kurssin kiehtovimmista. Tässä opit ryhmittelemään dataa eri tavoin. Tämä auttaa sinua työskentelemään data-analyytikkona ja löytämään tietoa tietyistä dataryhmistä.

Tämä osio on yksi tärkeimmistä data-analyytikolle, koska jos data sisältää puuttuvia arvoja tai on väärässä muodossa, sen käsittely on mahdotonta. Tässä opit käsittelemään tällaisia sopimattomia arvoja.

Learning About lambda Functions

Using lambda with iloc[]

Filtering by Index Parity

Using `lambda` with `iloc[]`