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.


Het filteren van gegevens is een essentieel onderdeel van data wrangling, vooral wanneer je je wilt richten op een specifieke subset van je dataset. In Polars kun je Booleaanse maskers gebruiken om alleen de rijen te selecteren die aan je voorwaarde voldoen. Stel dat je een DataFrame hebt genaamd `games_df` met een kolom `price`. Om te filteren op spellen waarvan de prijs hoger is dan 20, kun je de volgende aanpak gebruiken:

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 dit voorbeeld worden alleen de spellen met een prijs boven de 20 opgenomen in `filtered_df`.

Je kunt ook conditionele logica gebruiken om nieuwe kolommen te maken op basis van de waarden van bestaande kolommen. De `pl.when().then().otherwise()`-constructie maakt het mogelijk om gegevens efficiënt te categoriseren. Je kunt bijvoorbeeld elk spel indelen in een prijscategorie: `"Budget"` voor spellen met een prijs van 15 of lager, `"Standard"` voor prijzen tussen 16 en 30, en `"Premium"` voor prijzen boven de 30. Hieronder zie je hoe je een kolom `price_tier` aan je DataFrame kunt toevoegen:

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)

Met deze aanpak wordt elk spel toegewezen aan een categorie op basis van de prijs, waardoor het eenvoudig is om de dataset te segmenteren voor verdere analyse of visualisatie.

Welke Polars-methode wordt gebruikt om een nieuwe kolom toe te wijzen op basis van meerdere voorwaarden?

Een praktijkgerichte, intermediaire cursus voor Python-ontwikkelaars om data wrangling te beheersen met Polars, aan de hand van echte Steam-gamegegevenssets. Leer het kolomgebaseerde paradigma van Polars, selectie, aggregatie, joinen, herschikken en essentiële bewerkingen op strings, datums en ontbrekende gegevens.

Ontdek de belangrijkste verschillen tussen Polars en traditionele rij-gebaseerde DataFrames, met de nadruk op kolomgebaseerde bewerkingen, selectie en conditionele logica met behulp van de Steam-gamesdataset.

Krijg een grondig begrip van de parallelle group-by-, aggregatie-, join- en herstructureringsmogelijkheden van Polars met behulp van de Steam-games- en spy insights-datasets.

Verken de basisprincipes van data cleaning: tekstnormalisatie, datumparsing en robuuste verwerking van ontbrekende waarden in Polars.

Filteren en Conditionele Logica