replace() 不生效主因是未赋值或误用 inplace；字典替换需分清列映射与值映射；正则替换须显式设 regex=True；NaN 必须用 fillna() 替换。
replace() 为什么有时不生效？检查 inplace 和返回值
直接调用 df.replace() 默认返回新 DataFrame，原数据不动。这是最常被忽略的点——改了半天发现 df 没变，其实是忘了赋值或设 inplace=True。
- 推荐显式赋值：
df = df.replace(...)，更安全、可链式操作 - 若坚持用
inplace=True，注意它返回None，不能链式调用（比如df.replace(..., inplace=True).dropna()会报错） - 对 Series 单独操作时同理，
s.replace(...)不改变原 s，除非加inplace=True
映射替换写法：字典键是列名还是值？
replace() 接收字典时，行为取决于字典结构——它默认把字典当「列→映射」，不是「值→新值」。想全局替换某类值（比如所有 'N/A' → np.nan），得用标量对或嵌套字典。
- 全局替换（全 DataFrame）：
df.replace('N/A', np.nan)或df.replace({'N/A': np.nan}) - 按列替换：
df.replace({'col1': {'bad': 'good'}, 'col2': {0: 999}})，外层键是列名，内层是值映射 - 误写成
df.replace({'bad': 'good'})在含多列的 df 上可能只在部分列生效（取决于 dtype 是否支持该替换），尤其 object 列才认字符串映射
正则替换要不要开 regex=True？别让点号和星号乱匹配
想用正则替换字符串（比如清理 'ID_001' 中的前缀），必须显式传 regex=True。否则 replace('ID_', '') 是普通子串替换；而 replace(r'ID_\d+', '', regex=True) 才走正则逻辑。
- 正则模式里，
.、*、^等有特殊含义，不加regex=True就按字面意思匹配 - Series 替换时，如果元素是字符串且含正则元字符，不加
regex=True可能静默失败（比如想删掉所有'[err]'，但写成.replace('[err]', '', regex=False)实际匹配的是字面中括号，而非字符组） - 性能上，
regex=True比纯字符串替换慢不少，仅在真需要模式匹配时开启
replace() 遇到 NaN 怎么办？空值本身不能被常规 replace 捕获
replace() 默认跳过 NaN，即使你写了 df.replace(np.nan, 0) 也无效。NaN 的替换必须用 fillna()，或者配合 replace({np.nan: 0}, regex=False)（但后者不推荐）。
- 正确做法：
df.fillna(0)或df['col'].fillna(0) - 如果想同时处理 NaN 和其他占位符（如 'NULL', 'missing'），得拆开：
df.replace(['NULL', 'missing'], np.nan).fillna(0) - 注意
replace()对None是有效的（Python None 会被当作标量处理），但对 pandas 的NaN、NaT、pd.NA均不敏感
真正卡住人的往往不是语法，而是 replace 的“作用域”——它到底在哪个维度（全表/列/值）、是否识别 NaN、是否启用正则，这些边界不厘清，调试时容易绕半天。
