Summary  
This chapter covers filtering rows using Boolean mask expressions and creating new columns through conditional logic chains (when/then/otherwise) applied across a DataFrame.  

General domain of usage  
Data wrangling

**Video: Filtering & Conditional Logic in Polars**

This short video demonstrates how to filter a DataFrame for games with a price above 20 and how to use conditional logic with `pl.when().then().otherwise()` to create a `price_tier` column that categorizes each game as "Budget", "Standard", or "Premium".

-- 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.


Filtrering af data er en central del af data wrangling, især når du ønsker at fokusere på et specifikt udsnit af dit datasæt. I Polars kan du bruge booleske masker til kun at vælge de rækker, der opfylder din betingelse. Antag, at du har en DataFrame kaldet `games_df` med en `price`-kolonne. For at filtrere spil, hvor prisen er større end 20, kan du bruge følgende metode:

import polars as pl

# Example DataFrame
games_df = pl.DataFrame({
    "name": ["Chess", "Monopoly", "Scrabble", "Catan", "Pandemic"],
    "price": [10, 25, 15, 35, 22]
})

# Filter games with price > 20
filtered_df = games_df.filter(pl.col("price") > 20)
print(filtered_df)

I dette eksempel er det kun spillene med en pris over 20, der er inkluderet i `filtered_df`.

Du kan også bruge betinget logik til at oprette nye kolonner baseret på værdierne i eksisterende kolonner. Konstruktionen `pl.when().then().otherwise()` gør det muligt at kategorisere data effektivt. For eksempel kan du ønske at klassificere hvert spil i et prissegment: `"Budget"` for spil med en pris på 15 eller derunder, `"Standard"` for priser mellem 16 og 30, og `"Premium"` for priser over 30. Her kan du se, hvordan du tilføjer en `price_tier`-kolonne til din DataFrame:

games_with_tier = games_df.with_columns(
    pl.when(pl.col("price") <= 15)
      .then("Budget")
      .when((pl.col("price") > 15) & (pl.col("price") <= 30))
      .then("Standard")
      .otherwise("Premium")
      .alias("price_tier")
)

print(games_with_tier)

Denne tilgang tildeler hvert spil et niveau baseret på dets pris, hvilket gør det nemt at opdele datasættet til yderligere analyse eller visualisering.

Hvilken Polars-metode bruges til at tildele en ny kolonne baseret på flere betingelser?

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.

Filtrering og Betinget Logik