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.


## Radbaserade (Pandas) vs Kolumnbaserade (Polars) operationer



| Aspekt                   | Pandas (Radbaserad)                             | Polars (Kolumnbaserad)                                   |
|--------------------------|------------------------------------------------|----------------------------------------------------------|
| Indexanvändning          | Använder radindex för urval och justering       | Ingen radindex; kolumner nås direkt                      |
| Kolumnuttryck            | Använder ofta `apply` eller loopar för beräkningar | Vektorisering av kolumnuttryck (`pl.col`, aritmetik)     |
| Lägga till kolumner      | Tilldelar via `df['new'] = ...`                 | Använder `with_columns` eller `select` med uttryck        |
| Prestandaimplikationer   | Långsammare med stora datamängder p.g.a. radvisa operationer | Snabbare, eftersom operationer utnyttjar kolumnminneslayout |
| Syntax                   | Mer omständlig för anpassad logik               | Kortfattade, deklarativa uttryck                         |

Vilka påståenden beskriver Pandas (radbaserade) operationer?

En praktisk, intermediär kurs för Python-utvecklare som vill bemästra datahantering med Polars, med hjälp av verkliga Steam-speldataset. Lär dig Polars kolumnära paradigm, urval, aggregering, sammanslagning, omformning samt viktiga operationer för strängar, datum och hantering av saknade data.

Utforska de grundläggande skillnaderna mellan Polars och traditionella radbaserade DataFrames, med fokus på kolumnbaserade operationer, urval och villkorslogik med hjälp av Steam-speldatasetet.

Få en gedigen förståelse för Polars parallella group-by, aggregering, sammanslagning och omformningsmöjligheter med hjälp av Steam-spel och spioninsiktsdatamängder.

Utforska grunderna i datarensning: textnormalisering, datumtolkning och robust hantering av saknade värden i Polars.

Från Rader till Kolumner

Radbaserade (Pandas) vs Kolumnbaserade (Polars) operationer