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.


Фільтрація даних — ключовий етап підготовки даних, особливо коли потрібно зосередитися на певній підмножині набору даних. У Polars можна використовувати булеві маски для вибору лише тих рядків, які відповідають вашій умові. Припустимо, у вас є DataFrame з назвою `games_df` зі стовпцем `price`. Щоб відфільтрувати ігри, де ціна перевищує 20, скористайтеся наступним підходом:

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)

У цьому прикладі до `filtered_df` потрапляють лише ігри з ціною понад 20.

Також можна використовувати умовну логіку для створення нових стовпців на основі значень існуючих. Конструкція `pl.when().then().otherwise()` дозволяє ефективно категоризувати дані. Наприклад, можна класифікувати кожну гру за ціновим сегментом: `"Budget"` для ігор з ціною 15 або менше, `"Standard"` для цін від 16 до 30, і `"Premium"` для цін понад 30. Ось як можна додати стовпець `price_tier` до 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)

Цей підхід призначає кожній грі категорію відповідно до її ціни, що спрощує сегментацію набору даних для подальшого аналізу або візуалізації.

Який метод Polars використовується для призначення нового стовпця на основі кількох умов?

Практичний курс середнього рівня для розробників Python, спрямований на опанування обробки даних за допомогою Polars із використанням реальних наборів даних Steam-ігор. Вивчення колонкового підходу Polars, вибірки, агрегації, об'єднання, зміни форми даних, а також основних операцій зі строками, датами та відсутніми значеннями.

Дослідження основних відмінностей між Polars та традиційними DataFrame на основі рядків з акцентом на колонкові операції, вибірку та умовну логіку з використанням набору даних ігор Steam.

Отримайте ґрунтовне розуміння можливостей паралельного групування, агрегації, об'єднання та зміни форми даних у Polars на прикладі наборів даних Steam games та spy insights.

Ознайомтеся з основами очищення даних: нормалізація тексту, розбір дат і надійна обробка відсутніх значень у Polars.

Фільтрація та умовна логіка