如何高效替换列表中18000个DataFrame指定列的0值为空字符串？

手里有个包含约18000个DataFrame的列表，需要把每个DF里"Position"列的所有0值替换成空字符串，原代码是这样的：

for df_player in list_all_dfs:
    df_player["Position"] = df_player["Position"].replace(0, "")

给你几个提速的思路：

• 用mask()替代replace()：replace()会做全局匹配查找，而mask()直接基于布尔条件替换，单一值替换场景下效率更高：

  for df_player in list_all_dfs:
      df_player["Position"] = df_player["Position"].mask(df_player["Position"] == 0, "")
  

• 用loc原地修改：避免生成新的Series对象，直接在原DataFrame上操作，既省内存又提速度：

  target_col = "Position"
  for df_player in list_all_dfs:
      df_player.loc[df_player[target_col] == 0, target_col] = ""
  

• 合并后批量处理（适合结构一致的DF）：如果所有DataFrame的列结构完全相同，可以先合并成一个大DF做一次替换，再拆分回列表，利用pandas向量化处理的优势：

  import pandas as pd
  # 合并时加个标识列区分每个原DF
  combined_df = pd.concat([df.assign(df_idx=i) for i, df in enumerate(list_all_dfs)], ignore_index=True)
  # 批量替换
  combined_df["Position"] = combined_df["Position"].mask(combined_df["Position"] == 0, "")
  # 拆分回原列表
  list_all_dfs = [group.drop("df_idx", axis=1) for _, group in combined_df.groupby("df_idx")]
  

  注意：这种方式要考虑总数据量的内存占用，如果单个DF数据都很大，合并后可能内存吃不消，适合大量小DF的场景。

内容的提问来源于stack exchange，提问作者MKJ