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.


## Operazioni basate su righe (Pandas) vs Operazioni basate su colonne (Polars)



| Aspetto                  | Pandas (Basato su righe)                       | Polars (Basato su colonne)                               |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Utilizzo dell'indice     | Utilizza l'indice di riga per selezione e allineamento | Nessun indice di riga; accesso diretto alle colonne      |
| Espressioni sulle colonne| Spesso utilizza `apply` o cicli per i calcoli  | Espressioni vettoriali sulle colonne (`pl.col`, aritmetica) |
| Aggiunta di colonne      | Assegna tramite `df['new'] = ...`              | Utilizza `with_columns` o `select` con espressioni       |
| Implicazioni sulle prestazioni | Più lento con grandi dataset a causa delle operazioni per riga | Più veloce, grazie alla gestione in memoria colonnare    |
| Sintassi                 | Più verbosa per logiche personalizzate         | Espressioni concise e dichiarative                       |

Quali affermazioni descrivono le operazioni di Pandas (basate su righe)?

Un corso pratico di livello intermedio per sviluppatori Python per padroneggiare la manipolazione dei dati con Polars, utilizzando dataset reali di giochi Steam. Approfondimento sul paradigma colonnare di Polars, selezione, aggregazione, join, reshaping e operazioni essenziali su stringhe, date e dati mancanti.

Esplora le differenze fondamentali tra Polars e i tradizionali DataFrame basati su righe, concentrandoti sulle operazioni colonnari, sulla selezione e sulla logica condizionale utilizzando il dataset dei giochi Steam.

Acquisizione di una solida comprensione delle capacità di group-by parallelo, aggregazione, join e rimodellamento di Polars utilizzando i dataset di giochi Steam e di analisi delle spie.

Esplora gli elementi essenziali della pulizia dei dati: normalizzazione del testo, parsing delle date e gestione robusta dei valori mancanti in Polars.

Passaggio da Righe a Colonne

Operazioni basate su righe (Pandas) vs Operazioni basate su colonne (Polars)