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.


Filtrar dados é uma parte fundamental da preparação de dados, especialmente quando se deseja focar em um subconjunto específico do conjunto de dados. No Polars, é possível utilizar máscaras booleanas para selecionar apenas as linhas que atendem à condição desejada. Suponha que você tenha um DataFrame chamado `games_df` com uma coluna `price`. Para filtrar os jogos cujo preço é maior que 20, utilize a seguinte abordagem:

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)

Neste exemplo, apenas os jogos com preço acima de 20 são incluídos em `filtered_df`.

Também é possível utilizar lógica condicional para criar novas colunas com base nos valores de colunas existentes. O construto `pl.when().then().otherwise()` permite categorizar dados de forma eficiente. Por exemplo, pode-se classificar cada jogo em uma faixa de preço: `"Budget"` para jogos com preço até 15, `"Standard"` para preços entre 16 e 30, e `"Premium"` para preços acima de 30. Veja como adicionar uma coluna `price_tier` ao seu 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)

Essa abordagem atribui cada jogo a uma categoria com base no seu preço, facilitando a segmentação do conjunto de dados para análises ou visualizações posteriores.

Qual método do Polars é utilizado para atribuir uma nova coluna com base em múltiplas condições?

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.

Filtragem e Lógica Condicional