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 är en central del av datahantering, särskilt när du vill fokusera på en specifik delmängd av din datamängd. I Polars kan du använda booleska masker för att välja endast de rader som uppfyller ditt villkor. Anta att du har en DataFrame kallad `games_df` med en kolumn `price`. För att filtrera fram spel där priset är större än 20 kan du använda följande metod:

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 det här exemplet inkluderas endast de spel med ett pris över 20 i `filtered_df`.

Du kan också använda villkorslogik för att skapa nya kolumner baserat på värdena i befintliga kolumner. Konstruktionen `pl.when().then().otherwise()` gör det möjligt att kategorisera data effektivt. Till exempel kan du vilja klassificera varje spel i ett prissegment: `"Budget"` för spel med pris på 15 eller mindre, `"Standard"` för priser mellan 16 och 30, och `"Premium"` för priser över 30. Så här kan du lägga till en kolumn `price_tier` till din 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)

Detta tillvägagångssätt tilldelar varje spel en nivå baserat på dess pris, vilket gör det enkelt att segmentera din datamängd för vidare analys eller visualisering.

Vilken Polars-metod används för att tilldela en ny kolumn baserat på flera villkor?

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.

Filtrering och Villkorslogik