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.


## Operações baseadas em linhas (Pandas) vs baseadas em colunas (Polars)



| Aspecto                  | Pandas (Baseado em linhas)                      | Polars (Baseado em colunas)                              |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Uso de índice            | Usa índice de linha para seleção e alinhamento  | Sem índice de linha; acesso direto às colunas            |
| Expressões de coluna     | Frequentemente utiliza `apply` ou loops para cálculos | Expressões vetorizadas de coluna (`pl.col`, aritmética)  |
| Adição de colunas        | Atribuição via `df['new'] = ...`                | Utiliza `with_columns` ou `select` com expressões        |
| Implicações de desempenho| Mais lento com grandes volumes de dados devido a operações linha a linha | Mais rápido, pois as operações aproveitam o layout de memória em colunas |
| Sintaxe                  | Mais verboso para lógica personalizada           | Expressões concisas e declarativas                       |

Quais afirmações descrevem operações do Pandas (baseadas em linhas)?

Um curso prático de nível intermediário para desenvolvedores Python que desejam dominar a manipulação de dados com Polars, utilizando conjuntos de dados reais de jogos da Steam. Aprenda o paradigma colunar do Polars, seleção, agregação, junção, remodelação e operações essenciais com strings, datas e dados ausentes.

Explore as principais diferenças entre Polars e DataFrames tradicionais baseados em linhas, com foco em operações colunares, seleção e lógica condicional utilizando o conjunto de dados de jogos da Steam.

Adquira uma compreensão sólida das capacidades de agrupamento paralelo, agregação, junção e remodelação do Polars utilizando os conjuntos de dados de jogos da Steam e de insights de espionagem.

Explore os conceitos essenciais de limpeza de dados: normalização de texto, análise de datas e tratamento robusto de valores ausentes no Polars.

Mudando de Linhas para Colunas

Operações baseadas em linhas (Pandas) vs baseadas em colunas (Polars)