做数据处理工作时，免不了对数据中的 特殊值 进行替换。

传统方式替换：

• 循环行、列、目标值

• 断是否满足条件

• 满足条件进行替换，否则继续

虽然思路清晰，实现起来也没有难点，但实际工作中往往是列不同、目标值不同，替换值也不同，需要很多的循环、判断嵌套，很容易犯编程中的 循环判断嵌套太深、硬编码问题。

这种情况下，就可以借助强大的 pandas.DataFrame.replace 来实现优雅处理。

这里我选择的是 dict-like （字典模式）来演示，原因如下：

• 场景全，解决循环判断嵌套太深问题（后面介绍常见场景）

• 调用方式相对统一，简单、优雅

• 可以抽象为配置，解决硬编码问题（存储在配置文件或配置库中）

全局替换

• 目标值相同，替换值相同

MAPPING = {
    'old_val': 'new_val'
}
df = df.replace(MAPPING)

• 目标值不同，替换值相同

MAPPING = {
    'old_val_1': 'new_val',
    'old_val_2': 'new_val'
}
df = df.replace(MAPPING)

• 目标值不同，替换值不同

MAPPING = {
    'old_val_1': 'new_val_1',
    'old_val_2': 'new_val_2'
}
df = df.replace(MAPPING)

部分列替换

• column代表列名，其它同上

MAPPING = {
    'columnA': {
        'old_val_1': 'new_val _1'
    },
    'columnB': {
        'old_val_2': 'new_val _2'
    }
}
df = df.replace(MAPPING)

正则表达式

将 MAPPING 中的 target 改为 正则表达式字符串 或 compiled pattern ，再将 MAPPING 传给 选填参数regex 即可。

MAPPING = {
    'match_old_val_regex': 'new_val'
}
df = df.replace(regex=MAPPING)

参考：

pandas.DataFrame.replace官方文档