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.


データのフィルタリングは、データ整形の中核的な作業であり、特定のデータセットのサブセットに注目したい場合に特に重要です。Polars では、ブールマスクを使用して条件に一致する行のみを選択できます。たとえば、`games_df` という DataFrame に `price` 列があるとします。価格が 20 より大きいゲームをフィルタリングするには、次の方法を使用します。

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)

この例では、価格が 20 を超えるゲームのみが `filtered_df` に含まれます。

また、条件付きロジックを使用して、既存の列の値に基づいて新しい列を作成することもできます。`pl.when().then().otherwise()` 構文を利用することで、データを効率的に分類できます。たとえば、各ゲームを価格帯で分類したい場合、15 以下は `"Budget"`、16 から 30 までは `"Standard"`、30 を超える場合は `"Premium"` とすることができます。次のようにして DataFrame に `price_tier` 列を追加できます。

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)

この方法では、各ゲームを価格に基づいてティアに割り当てることで、データセットを簡単にセグメント化し、さらなる分析や可視化に役立てることができます。

複数の条件に基づいて新しい列を割り当てるために使用されるPolarsメソッドはどれですか？

Python開発者向けの実践的な中級コースで、Polarsを用いたデータ整形技術を、実際のSteamゲームデータセットを使って習得します。Polarsのカラム指向パラダイム、選択、集約、結合、リシェイプ、そして文字列・日付・欠損値処理の基本操作を学びます。

Polarsと従来の行ベースDataFrameの主な違いを探求し、カラム指向の操作、選択、およびSteamゲームデータセットを用いた条件付きロジックに焦点を当てます。

Steamゲームおよびスパイインサイトデータセットを使用したPolarsの並列グループ化、集計、結合、リシェイプ機能の確実な理解を習得します。

データクリーニングの基本であるテキスト正規化、日付解析、Polarsにおける欠損値の堅牢な処理について学びます。

フィルタリングと条件付きロジック