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.


## Opérations basées sur les lignes (Pandas) vs opérations basées sur les colonnes (Polars)



| Aspect                   | Pandas (basé sur les lignes)                    | Polars (basé sur les colonnes)                           |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Utilisation de l'index   | Utilise l'index de ligne pour la sélection et l'alignement | Pas d'index de ligne ; accès direct aux colonnes         |
| Expressions de colonnes  | Utilise souvent `apply` ou des boucles pour les calculs    | Expressions vectorisées sur les colonnes (`pl.col`, arithmétique) |
| Ajout de colonnes        | Attribution via `df['new'] = ...`                        | Utilise `with_columns` ou `select` avec des expressions  |
| Conséquences sur la performance | Plus lent avec de grands ensembles de données à cause des opérations ligne par ligne | Plus rapide, car les opérations exploitent la disposition mémoire en colonnes |
| Syntaxe                  | Plus verbeux pour la logique personnalisée                | Expressions concises et déclaratives                     |

Quelles affirmations décrivent les opérations Pandas (basées sur les lignes) ?

Un cours pratique de niveau intermédiaire destiné aux développeurs Python pour maîtriser la manipulation de données avec Polars, en utilisant des jeux de données réels issus de Steam. Approfondissement du paradigme en colonnes de Polars, de la sélection, de l’agrégation, des jointures, de la restructuration, ainsi que des opérations essentielles sur les chaînes de caractères, les dates et les données manquantes.

Explorez les principales différences entre Polars et les DataFrames traditionnels basés sur les lignes, en mettant l'accent sur les opérations en colonnes, la sélection et la logique conditionnelle à l'aide du jeu de données Steam games.

Acquérir une compréhension approfondie des capacités de groupement parallèle, d'agrégation, de jointure et de restructuration de Polars en utilisant les jeux de données Steam games et spy insights.

Explorez les éléments essentiels du nettoyage des données : normalisation du texte, analyse des dates et gestion robuste des valeurs manquantes dans Polars.

Passer des lignes aux colonnes

Opérations basées sur les lignes (Pandas) vs opérations basées sur les colonnes (Polars)