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.


Datan suodatus on olennainen osa datan käsittelyä, erityisesti kun halutaan keskittyä tietyn osajoukon tarkasteluun. Polars-kirjastossa voidaan käyttää totuusarvomaskia (Boolean mask) valitsemaan vain ne rivit, jotka täyttävät annetun ehdon. Oletetaan, että käytössä on DataFrame nimeltä `games_df`, jossa on sarake `price`. Suodattaaksesi pelit, joiden hinta on yli 20, voit käyttää seuraavaa lähestymistapaa:

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)

Tässä esimerkissä vain pelit, joiden hinta on yli 20, sisältyvät `filtered_df`:ään.

Ehdollista logiikkaa voidaan käyttää myös uusien sarakkeiden luomiseen olemassa olevien sarakkeiden arvojen perusteella. Rakenne `pl.when().then().otherwise()` mahdollistaa datan tehokkaan luokittelun. Esimerkiksi jokainen peli voidaan luokitella hintaluokkaan: `"Budget"` peleille, joiden hinta on 15 tai vähemmän, `"Standard"` hinnoille 16–30 ja `"Premium"` hinnoille yli 30. Alla on esimerkki siitä, miten `price_tier`-sarake lisätään DataFrameen:

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)

Tämä lähestymistapa luokittelee jokaisen pelin hintatason mukaan, mikä helpottaa tietojoukon segmentointia jatkoanalyysiä tai visualisointia varten.

Mitä Polars-metodia käytetään uuden sarakkeen luomiseen useiden ehtojen perusteella?

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.

Suodatus ja ehdollinen logiikka