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.


Il filtraggio dei dati è una parte fondamentale del data wrangling, soprattutto quando si desidera concentrarsi su un sottoinsieme specifico del proprio dataset. In Polars, è possibile utilizzare maschere booleane per selezionare solo le righe che soddisfano una determinata condizione. Supponiamo di avere un DataFrame chiamato `games_df` con una colonna `price`. Per filtrare i giochi con un prezzo superiore a 20, è possibile utilizzare il seguente approccio:

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)

In questo esempio, solo i giochi con un prezzo superiore a 20 sono inclusi in `filtered_df`.

È inoltre possibile utilizzare la logica condizionale per creare nuove colonne in base ai valori delle colonne esistenti. La struttura `pl.when().then().otherwise()` consente di categorizzare i dati in modo efficiente. Ad esempio, si può voler classificare ogni gioco in una fascia di prezzo: `"Budget"` per giochi con prezzo pari o inferiore a 15, `"Standard"` per prezzi tra 16 e 30, e `"Premium"` per prezzi superiori a 30. Ecco come aggiungere una colonna `price_tier` al proprio 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)

Questo approccio assegna a ciascun gioco una fascia in base al prezzo, facilitando la segmentazione del dataset per ulteriori analisi o visualizzazioni.

Quale metodo di Polars viene utilizzato per assegnare una nuova colonna in base a più condizioni?

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.

Filtraggio e Logica Condizionale