Summary  
This chapter introduces column-based data manipulation in Polars, demonstrating how to use column expressions (pl.col) to create new columns, select specific columns, and operate on data without relying on row indices.

General domain of usage  
Tabular data analysis and transformation (e.g., processing CSV datasets)

This video shows you how to load a `games_df` DataFrame using Polars, highlights the absence of a row index, demonstrates how to add a `total_reviews` column by summing `positive_reviews` and `negative_reviews` with column expressions, and covers simple column selection techniques.
-- video metadata (use this info when making a video) -- 

Cut all examples of code to a minimum. Show only the essential code. Show code no longer than 10 lines. Remove all possible pieces to demonstrate some code feature. You may show not full code that will not start, but still demonstrates some feature theoritacally.
If code is longer than 8 lines, move code output  blocks to second column.


## Række-baserede (Pandas) vs Kolonne-baserede (Polars) operationer



| Aspect                   | Pandas (Række-baseret)                         | Polars (Kolonne-baseret)                                 |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Index Usage              | Bruger rækkeindeks til udvælgelse og justering  | Intet rækkeindeks; kolonner tilgås direkte               |
| Column Expressions       | Bruger ofte `apply` eller løkker til beregninger| Vektoriserede kolonneudtryk (`pl.col`, aritmetik)        |
| Adding Columns           | Tildeler via `df['new'] = ...`                  | Bruger `with_columns` eller `select` med udtryk          |
| Performance Implications | Langsommere ved store datasæt pga. rækkevise operationer | Hurtigere, da operationer udnytter kolonnær hukommelsesstruktur |
| Syntax                   | Mere omstændelig ved brugerdefineret logik      | Kortfattet, deklarativ syntaks                            |

Hvilke udsagn beskriver Pandas (række-baserede) operationer?

Et praktisk, mellemniveau kursus for Python-udviklere til at mestre datahåndtering med Polars ved brug af virkelige Steam-spildatasæt. Lær Polars' kolonnebaserede paradigme, selektion, aggregering, sammenkobling, omformning samt essentielle operationer med tekst, datoer og manglende data.

Undersøg de centrale forskelle mellem Polars og traditionelle række-baserede DataFrames med fokus på kolonnebaserede operationer, udvælgelse og betinget logik ved brug af Steam-spildatasættet.

Opnå en solid forståelse af Polars' parallelle group-by, aggregering, join og omformningsfunktioner ved brug af Steam-spil og spionindsigts-datasæt.

Udforsk det grundlæggende i datarensning: tekstnormalisering, dato-parsing og robust håndtering af manglende værdier i Polars.

Fra Rækker til Kolonner

Række-baserede (Pandas) vs Kolonne-baserede (Polars) operationer