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.


Le filtrage des données est un aspect fondamental du data wrangling, en particulier lorsque vous souhaitez vous concentrer sur un sous-ensemble spécifique de votre jeu de données. Avec Polars, il est possible d'utiliser des masques booléens pour sélectionner uniquement les lignes qui répondent à votre condition. Supposons que vous disposiez d'un DataFrame nommé `games_df` avec une colonne `price`. Pour filtrer les jeux dont le prix est supérieur à 20, vous pouvez utiliser l'approche suivante :

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)

Dans cet exemple, seuls les jeux dont le prix est supérieur à 20 sont inclus dans `filtered_df`.

Il est également possible d'utiliser la logique conditionnelle pour créer de nouvelles colonnes à partir des valeurs des colonnes existantes. La construction `pl.when().then().otherwise()` permet de catégoriser efficacement les données. Par exemple, il peut être utile de classer chaque jeu dans une catégorie de prix : `"Budget"` pour les jeux à 15 ou moins, `"Standard"` pour les prix entre 16 et 30, et `"Premium"` pour les prix supérieurs à 30. Voici comment ajouter une colonne `price_tier` à votre 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)

Cette approche attribue à chaque jeu une catégorie en fonction de son prix, ce qui facilite la segmentation de votre ensemble de données pour une analyse ou une visualisation ultérieure.

Quelle méthode Polars est utilisée pour attribuer une nouvelle colonne selon plusieurs conditions ?

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.

Filtrage et Logique Conditionnelle