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.


## Zeilenbasierte (Pandas) vs. spaltenbasierte (Polars) Operationen



| Aspekt                   | Pandas (zeilenbasiert)                         | Polars (spaltenbasiert)                                  |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Index-Nutzung            | Verwendet Zeilenindex für Auswahl und Abgleich  | Kein Zeilenindex; Spalten werden direkt angesprochen      |
| Spaltenausdrücke         | Häufig Verwendung von `apply` oder Schleifen    | Vektorisierte Spaltenausdrücke (`pl.col`, Arithmetik)    |
| Hinzufügen von Spalten   | Zuweisung über `df['new'] = ...`               | Verwendung von `with_columns` oder `select` mit Ausdrücken|
| Performance-Auswirkungen | Langsamer bei großen Datenmengen durch zeilenweise Operationen | Schneller, da Operationen von spaltenorientiertem Speicherlayout profitieren |
| Syntax                   | Ausführlicher bei benutzerdefinierter Logik     | Prägnante, deklarative Ausdrücke                         |

Welche Aussagen beschreiben Pandas (zeilenbasierte) Operationen?

Ein praxisorientierter, mittlerer Kurs für Python-Entwickler zur Beherrschung des Data Wrangling mit Polars anhand von realen Steam-Spieldatensätzen. Vermittelt wird das spaltenorientierte Paradigma von Polars, Selektion, Aggregation, Verknüpfung, Umformung sowie grundlegende Operationen mit Zeichenketten, Datumswerten und fehlenden Daten.

Untersuchung der grundlegenden Unterschiede zwischen Polars und traditionellen zeilenbasierten DataFrames mit Schwerpunkt auf spaltenbasierten Operationen, Selektion und bedingter Logik anhand des Steam-Games-Datensatzes.

Erwerben Sie ein fundiertes Verständnis der parallelen Group-by-, Aggregations-, Join- und Umformungsfunktionen von Polars anhand der Steam-Spiele- und Spy-Insights-Datensätze.

Erkunden Sie die Grundlagen der Datenbereinigung: Textnormalisierung, Datumsanalyse und robuste Behandlung fehlender Werte in Polars.

Vom Zeilen- zum Spaltenfokus

Zeilenbasierte (Pandas) vs. spaltenbasierte (Polars) Operationen