str.replace() 默认不修改原数据且 regex=True，需显式赋值并根据需求设 regex=False；inplace 参数不存在；NaN 处理需注意静默返回 NaN；大小写与替换顺序影响结果。
str.replace() 为什么没生效？
常见现象：df['col'].str.replace('a', 'b') 运行后原 df 没变 —— 因为它默认不修改原数据，返回新 Series。你得显式赋值，比如 df['col'] = df['col'].str.replace('a', 'b')。
容易踩的坑：
- 忘记赋值，或误写成
df['col'].str.replace('a', 'b', inplace=True)——inplace参数在str.replace()中根本不存在，会报TypeError: replace() got an unexpected keyword argument 'inplace' - 正则模式默认开启（
regex=True），想替换字面量.却没转义，结果匹配了所有字符。解决：加regex=False，或写r'\.' - 传入
None或空字符串作为替换目标，可能触发意外行为（如全变空），建议先用df['col'].notna()过滤再操作
str.lower() 和 str.upper() 处理缺失值时的静默失败
场景：列里混着字符串和 NaN，直接调 df['col'].str.lower() 看似没问题，但其实所有 NaN 都变成 NaN（不是报错），容易误以为“全处理完了”。
关键点：
-
str.lower()、str.upper()、str.title()对NaN全部返回NaN，这是设计行为，不是 bug - 如果业务要求把
NaN当空字符串处理，得先填充：df['col'].fillna('').str.lower() - 注意性能：链式调用
.fillna('').str.lower()会生成中间对象；若列很大，可考虑df['col'] = df['col'].astype(str).str.lower().replace('nan', '')（但要小心原数据真有字符串'nan'）
replace() 与 lower() 组合使用时的顺序陷阱
常见需求：统一转小写后再批量替换关键词。但顺序错了结果就错。
比如想把 “Apple”、“APPLE”、“apple” 都替换成 “fruit”，写成 df['col'].str.replace('apple', 'fruit').str.lower() 是错的 —— 先替换再转小写，原始大写词根本没被匹配到。
正确做法：
- 先转小写再替换：
df['col'].str.lower().str.replace('apple', 'fruit') - 或者用正则忽略大小写：
df['col'].str.replace('apple', 'fruit', case=False, regex=True)（注意case=False仅在regex=True时有效） - 如果替换目标也要保持原大小写风格（比如首字母大写），就不能简单转小写，得用
re.sub+lambda，这时str.replace()就不够用了
str.replace() 的 regex=True 是默认值，但多数人其实不需要它
错误认知：“我只想换几个固定字符，开不开正则都一样”。不对 —— 开着就危险。
比如 df['col'].str.replace('.', '_')，本意是把点号换成下划线，结果因为 regex=True 默认开启，. 被当成了正则元字符，匹配任意单字符，整列全乱了。
安全做法：
- 纯字面替换一律加
regex=False：df['col'].str.replace('.', '_', regex=False) - 确认要用正则时，记得转义特殊字符：
df['col'].str.replace(r'\.', '_', regex=True) - 性能影响：正则模式比字面匹配慢不少，尤其大数据量下，能关就关
最常被忽略的其实是 regex 参数的默认状态 —— 它开着，而且不声不响地改变你的语义。改之前先问一句：我这次到底想按字面换，还是按模式换？
