开启正则模式的关键参数是 regex=True；不加则按字面量匹配，且仅对字符串列生效，数值列即使设 regex=True 也会静默忽略。
replace 方法开启正则模式的关键参数是 regex=True
不加这个参数，replace 默认做精确字符串匹配，哪怕你传的是正则表达式字符串，它也当普通字面量处理。比如 df['col'].replace(r'\d+', 'NUM', regex=False) 不会替换数字，只会找字面上等于 \d+ 的字符串。
必须显式写 regex=True，Pandas 才会把第一个参数（或字典的 key）当作正则模式解析。注意：只对字符串类型的列生效，数值列调用 replace 时即使设 regex=True 也会静默忽略。
-
regex=True是开关，不是“自动识别”——没有它，正则语法无效 - 若传入字典，key 必须是字符串或编译后的
re.Pattern，value 是替换内容 - 对 Series 调用更可控；DataFrame 上使用时，需注意列类型混合导致部分列跳过
模糊查找常踩的坑：贪婪匹配、边界丢失与 NaN 干扰
写 r'abc.*xyz' 很容易匹配过长，尤其在含换行或嵌套结构的文本中。默认 . 不匹配换行符，但如果你用了 flags=re.DOTALL，又没加 ^ 和 $，可能跨多行误替。
另一个高频问题：原始数据含 NaN。Pandas 的 replace 在遇到 NaN 时行为不稳定——有时跳过，有时报 ValueError: Cannot mask with non-boolean array containing NA / NaN values。稳妥做法是先用 fillna('') 或用 astype(str) 统一转为字符串类型再操作。
立即学习“Python免费学习笔记（深入）”；
- 用
r'\bword\b'替代r'word'防止匹配到子串（如避免把 “password” 里的 “pass” 替掉） - 替换前加
df[col] = df[col].astype(str)，杜绝类型混杂引发的静默失败 - 测试时先用
df[col].str.contains(pattern, regex=True, na=False)看哪些行真能命中
性能瓶颈往往来自重复编译正则，而非 replace 本身
如果在一个循环里反复调用 df[col].replace(r'\d+', 'X', regex=True)，每次都会重新编译正则对象，开销不小。Pandas 内部其实做了缓存，但仅限于相同字符串形式的 pattern —— 如果你拼接变量生成 pattern 字符串（如 r'{}.*{}'.format(a, b)），每次都是新字符串，缓存失效。
更稳的方式是提前用 re.compile() 编译一次，然后直接传 pattern 对象进去：
import re
pattern = re.compile(r'\d{3}-\d{2}-\d{4}') # 社保号格式
df['text'] = df['text'].replace(pattern, 'XXX-XX-XXXX', regex=True)这样既避免重复编译，也能复用 flags（比如加 re.IGNORECASE）。
- 编译后的
re.Pattern对象可安全用于多次replace - 不要在 pattern 字符串里插变量；改用
re.sub(pattern, repl, text)配合map更灵活 - 大数据量时，
str.replace()（即Series.str.replace()）比replace()更快，且默认启用正则
真正需要模糊替换时，str.replace() 往往比 replace() 更直接
Series.str.replace() 是专为字符串设计的方法，签名更清晰：str.replace(pat, repl, n=-1, case=None, flags=0, regex=True)。它不尝试兼容数值类型，不会因列里混了 int 就跳过某几行，也不会被字典映射逻辑干扰。
多数模糊查找+替换场景（比如清洗地址、标准化姓名、脱敏手机号），你应该优先用 .str.replace()。只有当你需要“对不同列用不同规则批量替换”，才考虑 replace 配合字典 + regex=True。
-
df['phone'].str.replace(r'(\d{3})-(\d{4})', r'***-\2', regex=True)支持分组引用，replace()不支持 -
str.replace()返回新 Series，原地修改需显式赋值；replace()有inplace参数但不推荐用 - 若要全局替换所有字符串列，用
select_dtypes('object').apply(lambda s: s.str.replace(...))
实际用的时候，别纠结“该用哪个 replace”，先看输入是不是纯字符串、要不要分组、要不要跨列统一规则——这些才是决定函数选型的真实约束。正则写错比函数选错更难排查，建议小样本先用 str.extract() 或 str.contains() 验证 pattern 是否真能捕获目标。
