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.


## Operaciones basadas en filas (Pandas) vs basadas en columnas (Polars)



| Aspecto                  | Pandas (Basado en filas)                        | Polars (Basado en columnas)                              |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Uso del índice           | Utiliza el índice de fila para selección y alineación | Sin índice de fila; acceso directo a columnas            |
| Expresiones de columna   | Frecuentemente usa `apply` o bucles para cálculos | Expresiones vectorizadas de columna (`pl.col`, aritmética) |
| Adición de columnas      | Asigna mediante `df['new'] = ...`               | Usa `with_columns` o `select` con expresiones            |
| Implicaciones de rendimiento | Más lento con grandes conjuntos de datos debido a operaciones por fila | Más rápido, ya que las operaciones aprovechan la disposición en memoria columnar |
| Sintaxis                 | Más verboso para lógica personalizada           | Expresiones concisas y declarativas                      |

¿Qué afirmaciones describen las operaciones de Pandas (basadas en filas)?

Un curso práctico de nivel intermedio para desarrolladores de Python que deseen dominar la manipulación de datos con Polars, utilizando conjuntos de datos reales de juegos de Steam. Aprenda el paradigma columnar de Polars, selección, agregación, combinación, reestructuración y operaciones esenciales con cadenas, fechas y datos faltantes.

Explora las diferencias fundamentales entre Polars y los DataFrames tradicionales basados en filas, centrándote en las operaciones columnares, la selección y la lógica condicional utilizando el conjunto de datos de juegos de Steam.

Adquisición de una comprensión sólida de las capacidades de agrupación paralela, agregación, combinación y reestructuración de Polars utilizando los conjuntos de datos de juegos de Steam y de insights de espías.

Explora los aspectos esenciales de la limpieza de datos: normalización de texto, análisis de fechas y manejo robusto de valores faltantes en Polars.

Pasar de filas a columnas

Operaciones basadas en filas (Pandas) vs basadas en columnas (Polars)