df.replace() 默认返回新 DataFrame 而不修改原数据，是函数式设计；需显式赋值或设 inplace=True；字符串列子串替换必须用 .str.replace()，因 replace() 按整值匹配；列名正则筛选用 filter(regex=...)，行内容匹配用 str.contains() 或 str.replace(..., regex=True)。
replace() 默认不改原数据，str.replace() 才专用于字符串列的子串替换；正则过滤列名用 filter(regex=...)，过滤行内容用 str.contains() 或 str.replace(..., regex=True)。
为什么直接 df.replace('old', 'new') 没反应？
因为 replace() 默认返回新 DataFrame，原 df 不变。这不是 bug，是设计——它鼓励函数式写法，避免隐式副作用。
- 要修改原数据：显式赋值
df = df.replace('old', 'new')（推荐）或加inplace=True（但注意它返回None，无法链式调用） - 只换某列？别用全局
replace()，改用df['col'] = df['col'].replace(...)或更精准的df['col'].str.replace(...) - 想换整个 DataFrame 里所有出现的
'N/A'？用df.replace('N/A', np.nan)；但 NaN 本身不能被replace()捕获，必须用fillna()
字符串列部分替换该用 str.replace 还是 replace？
必须用 str.replace()。例如把 'ID_001' 中的前缀删掉：df['id'].str.replace('ID_', '')。这里 replace() 会报错或静默失败，因为它按“整值匹配”工作，而字符串列里存的是对象，不是纯字符串。
-
str.replace()支持regex=True，可传正则模式，如df['text'].str.replace(r'\s+', ' ', regex=True)压缩多余空格 - 它不支持
inplace参数，所以必须赋值：df['text'] = df['text'].str.replace(...) - 若需保留原始值中未匹配部分（比如只替换单词边界内的 ID），记得用
r'\b123\b'+re.escape()防元字符干扰
怎么按列名模式筛选列，而不是按内容？
用 filter(regex=...)，不是 str.contains()。后者查的是单元格内容，前者查的是列名标签本身。
立即学习“Python免费学习笔记（深入）”；
- 选所有以
'event'开头的列：df.filter(regex='^event', axis=1) - 选列名含数字且以
'd'结尾的：df.filter(regex=r'\d+d$', axis=1) - 注意
items、like、regex三者互斥，不能同时传；axis=1表示操作列，axis=0才操作行索引 - 它不碰数据，只返回子集 DataFrame —— 想基于这些列的内容做判断（比如“任一 event 列 > 0”），得接
.any(axis=1)
正则匹配行内容时，常见踩坑点有哪些？
str.contains() 和 str.replace(..., regex=True) 都默认开启正则，但元字符不转义就会出事——比如想删掉 '[err]'，写成 .str.replace('[err]', '') 实际删的是字符组 '[e','r','r']'，不是字面字符串。
- 安全做法：对动态 pattern 用
re.escape()包裹，尤其当替换值来自变量或外部映射表时 - 大小写敏感？默认
case=True，忽略大小写加case=False - 遇到 NaN？
str.contains()默认返回NaN，可用na=False统一设为False；str.replace()默认跳过 NaN，不影响其余值 - 性能提示：正则比纯字符串替换慢 3–5 倍，确定只需字面替换时，别多写
regex=True
真正容易被忽略的是：filter() 和 str.xxx() 完全不同世界——一个筛标签，一个处理内容；混用会导致查不到列或报 AttributeError。动手前先问一句：我要动的是列名，还是列里的字符串？
