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.


## Rivi- (Pandas) vs Sarakepohjaiset (Polars) operaatiot



| Näkökulma                | Pandas (rivi-pohjainen)                        | Polars (sarakepohjainen)                                 |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Indeksin käyttö          | Käyttää rivi-indeksiä valintaan ja kohdistukseen| Ei rivi-indeksiä; sarakkeet käytettävissä suoraan        |
| Sarakeilmaisut           | Käyttää usein `apply`-funktiota tai silmukoita laskentaan | Vektoroidut sarakeilmaisut (`pl.col`, aritmeettiset)    |
| Sarakkeiden lisääminen   | Määrittää `df['new'] = ...`                    | Käyttää `with_columns`- tai `select`-ilmaisuja           |
| Suorituskykyvaikutukset  | Hitaampi suurilla aineistoilla rivikohtaisten operaatioiden vuoksi | Nopeampi, koska operaatioissa hyödynnetään sarakepohjaista muistirakennetta |
| Syntaksi                 | Monisanaisempi mukautetussa logiikassa         | Ytimekkäät, deklaratiiviset ilmaisut                     |

Mitkä väittämät kuvaavat Pandasin (rivi-pohjaisia) operaatioita?

Käytännönläheinen, keskitasoinen kurssi Python-kehittäjille, jotka haluavat hallita datan käsittelyn Polarsilla hyödyntäen oikean maailman Steam-pelidatasetteja. Opiskele Polarsin sarakepohjaista paradigmaa, valintaa, aggregointia, yhdistämistä, muotoilua sekä keskeisiä merkkijono-, aika- ja puuttuvien arvojen käsittelytoimintoja.

Tutustu Polarsin ja perinteisten rivipohjaisten DataFramejen keskeisiin eroihin keskittyen sarakepohjaisiin operaatioihin, valintaan ja ehtolauseisiin hyödyntäen Steam-pelien aineistoa.

Hanki vankka ymmärrys Polarsin rinnakkaisesta ryhmittelystä, aggregoinnista, yhdistämisestä ja muotoilukyvykkyyksistä hyödyntäen Steam-pelien ja vakoilutietojen aineistoja.

Tutustu tietojen puhdistuksen perusteisiin: tekstin normalisointi, päivämäärien jäsentäminen ja puuttuvien arvojen tehokas käsittely Polarissa.

Siirtyminen Riveistä Sarakkeisiin

Rivi- (Pandas) vs Sarakepohjaiset (Polars) operaatiot