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.


Filtrering av data er en sentral del av datahåndtering, spesielt når du ønsker å fokusere på et spesifikt delsett av datasettet ditt. I Polars kan du bruke boolske masker for å velge kun de radene som oppfyller betingelsen din. Anta at du har en DataFrame kalt `games_df` med en `price`-kolonne. For å filtrere etter spill hvor prisen er større enn 20, kan du bruke følgende tilnærming:

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)

I dette eksemplet er det kun spillene med en pris over 20 som er inkludert i `filtered_df`.

Du kan også bruke betinget logikk for å opprette nye kolonner basert på verdiene i eksisterende kolonner. Konstruksjonen `pl.when().then().otherwise()` gjør det mulig å kategorisere data effektivt. For eksempel kan du ønske å klassifisere hvert spill i en priskategori: `"Budget"` for spill med pris på 15 eller lavere, `"Standard"` for priser mellom 16 og 30, og `"Premium"` for priser over 30. Slik kan du legge til en `price_tier`-kolonne i DataFrame-en din:

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)

Denne tilnærmingen tildeler hvert spill et nivå basert på prisen, noe som gjør det enkelt å segmentere datasettet for videre analyse eller visualisering.

Hvilken Polars-metode brukes for å tilordne en ny kolonne basert på flere betingelser?

Et praktisk, videregående kurs for Python-utviklere som ønsker å mestre datahåndtering med Polars, ved bruk av virkelige datasett fra Steam-spill. Lær Polars' kolonnebaserte paradigme, utvalg, aggregering, sammenkobling, omforming og essensielle operasjoner for tekst, dato og manglende data.

Utforsk de grunnleggende forskjellene mellom Polars og tradisjonelle radbaserte DataFrames, med fokus på kolonnebaserte operasjoner, seleksjon og betinget logikk ved bruk av Steam-spilldatasettet.

Få en solid forståelse av Polars' parallelle group-by, aggregering, sammenkobling og omforming ved bruk av datasett fra Steam-spill og spioninnsikt.

Utforsk det grunnleggende innen datarensing: tekstnormalisering, datoanalyse og robust håndtering av manglende verdier i Polars.

Filtrering og betinget logikk