Vous pouvez également accéder aux lignes dans un DataFrame par leur index. Il existe plusieurs façons de le faire :
- `.iloc` - est utilisé pour accéder aux lignes par leur index numérique, en commençant par 0 ;
- `.loc` - est utilisé pour accéder aux lignes par leur étiquette de chaîne.

Dans ce cours, nous nous concentrerons exclusivement sur l'utilisation de l'attribut `.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)

Vous pouvez remarquer la première colonne, qui sert d'index de ligne. Nous utiliserons ces index pour accéder à des lignes spécifiques dans le DataFrame. La syntaxe de cet attribut est la suivante :

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

Nous pouvons appliquer cet attribut pour accéder aux troisième et septième lignes de notre 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])

Après avoir exécuté le code ci-dessus, vous obtiendrez les lignes qui correspondent aux index indiqués dans l'image ci-dessous :

Pandas est une bibliothèque extrêmement conviviale pour l'analyse de données. Elle est également conçue pour gérer de grands ensembles de données, en utilisant des structures de données comme DataFrame et Series. Cela en fait un outil inestimable pour la science des données. Dans ce guide, vous vous familiariserez avec une gamme de fonctions statistiques, y compris comment trouver des corrélations, des modes, des médianes, et des valeurs maximales et minimales au sein d'un ensemble de données. Vous apprendrez également à gérer les valeurs manquantes et à manipuler des valeurs spécifiques, ainsi qu'à les supprimer.

Dans cette section, nous explorerons les bases des structures Series et DataFrame. Vous apprendrez également les distinctions entre ces deux types de structures.

Les données peuvent être obtenues dans divers formats, tels que CSV, JSON, SQL, HTML, et plus encore. Avec Pandas, vous n'êtes pas limité à un seul format — vous pouvez travailler avec des données provenant de nombreux types de fichiers. Dans ce chapitre, nous nous concentrerons spécifiquement sur les formats CSV et TXT.

Ici, vous apprendrez à traiter les données brutes en supprimant les informations superflues et en gérant les valeurs nulles dans un ensemble de données.

Premiers Pas Avec Pandas

Notions de Base sur Iloc