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.


El filtrado de datos es una parte fundamental del procesamiento de datos, especialmente cuando se desea enfocar en un subconjunto específico del conjunto de datos. En Polars, se pueden utilizar máscaras booleanas para seleccionar únicamente las filas que cumplen con una condición determinada. Supón que tienes un DataFrame llamado `games_df` con una columna `price`. Para filtrar los juegos cuyo precio es mayor que 20, puedes utilizar el siguiente enfoque:

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)

En este ejemplo, solo se incluyen en `filtered_df` los juegos con un precio superior a 20.

También puedes utilizar lógica condicional para crear nuevas columnas basadas en los valores de columnas existentes. La construcción `pl.when().then().otherwise()` permite categorizar datos de manera eficiente. Por ejemplo, podrías querer clasificar cada juego en un nivel de precio: `"Budget"` para juegos con precio de 15 o menos, `"Standard"` para precios entre 16 y 30, y `"Premium"` para precios superiores a 30. A continuación se muestra cómo agregar una columna `price_tier` a tu 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)

Este enfoque asigna cada juego a un nivel según su precio, lo que facilita segmentar el conjunto de datos para análisis o visualización posteriores.

¿Qué método de Polars se utiliza para asignar una nueva columna basada en múltiples condiciones?

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.

Filtrado y Lógica Condicional