Pandas DataFrame：将类None字符串值批量替换为None的高效方法

针对你的需求，完全可以用Pandas的向量化操作替代低效的嵌套循环，以下是几种实用且高效的方案：

方案1：批量替换（最简洁） #

利用replace方法直接指定需替换的字符串列表，同时仅作用于字符串类型列，避免干扰数值、日期等其他类型列：

# 筛选所有字符串类型的列
str_columns = df.select_dtypes(include=["object"]).columns
# 批量替换类空值为None，case=False兼容大小写变体（如"Nan"、"NONE"）
df[str_columns] = df[str_columns].replace(
    to_replace=["nan", "none", "NULL"],
    value=None,
    case=False
)

方案2：条件掩码替换（更灵活） #

用mask方法结合isin做条件判断，符合条件的单元格会被替换为None，适合需要自定义判断逻辑的场景：

str_columns = df.select_dtypes(include=["object"]).columns
# 当单元格值属于目标类空值列表时，替换为None
df[str_columns] = df[str_columns].mask(
    df[str_columns].isin(["nan", "none", "NULL"], case=False),
    None
)

方案3：自定义匹配（处理复杂场景） #

如果需要更灵活的匹配规则（比如模糊匹配），可以用applymap配合集合查找（集合的成员检测效率远高于列表）：

str_columns = df.select_dtypes(include=["object"]).columns
# 定义类空值集合，提升查找效率
null_strings = {"nan", "none", "null"}
# 转小写后判断是否属于类空值集合，符合则替换为None
df[str_columns] = df[str_columns].applymap(
    lambda x: None if str(x).lower() in null_strings else x
)

效率说明 #

以上方法均为Pandas的向量化操作，底层基于C实现，相比Python层面的嵌套循环，在数据量较大时效率能提升几十甚至上百倍。如果你的DataFrame包含混合类型列，务必先通过select_dtypes筛选字符串列，避免对其他类型列造成不必要的处理。

内容的提问来源于stack exchange，提问作者Irina