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.


Das Filtern von Daten ist ein zentraler Bestandteil des Data Wranglings, insbesondere wenn ein bestimmter Teil des Datensatzes betrachtet werden soll. In Polars können Boolesche Masken verwendet werden, um nur die Zeilen auszuwählen, die einer bestimmten Bedingung entsprechen. Angenommen, es gibt ein DataFrame namens `games_df` mit einer Spalte `price`. Um Spiele mit einem Preis größer als 20 zu filtern, kann folgende Vorgehensweise genutzt werden:

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)

In diesem Beispiel sind nur die Spiele mit einem Preis über 20 in `filtered_df` enthalten.

Mit bedingter Logik können auch neue Spalten auf Basis vorhandener Spaltenwerte erstellt werden. Die Konstruktion `pl.when().then().otherwise()` ermöglicht eine effiziente Kategorisierung von Daten. Beispielsweise kann jedes Spiel einer Preiskategorie zugeordnet werden: `"Budget"` für Spiele mit einem Preis von höchstens 15, `"Standard"` für Preise zwischen 16 und 30 sowie `"Premium"` für Preise über 30. So kann eine Spalte `price_tier` zum DataFrame hinzugefügt werden:

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)

Dieser Ansatz ordnet jedem Spiel eine Kategorie basierend auf dem Preis zu und erleichtert so die Segmentierung des Datensatzes für weitere Analysen oder Visualisierungen.

Welche Polars-Methode wird verwendet, um eine neue Spalte basierend auf mehreren Bedingungen zuzuweisen?

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.

Filtern und Bedingte Logik