Pandas使用assign结合re正则处理文本列失效问题解决方法

re.sub是Python原生单字符串处理函数，仅支持传入单个字符串完成替换，直接传入pandas Series（整列数据）时无法逐单元格执行逻辑，会出现非预期结果。你尝试的str(d['time'])写法是把整个Series对象强转为单个字符串，替换后把同一个结果广播到全列，才会出现固定值重复填充所有行的异常。

pandas 提供了向量化的字符串处理接口Series.str，原生支持正则替换，性能远高于逐行循环的apply方法，完美适配assign链式写法，是官方推荐的标准文本处理方案。

最简直接写法 #

不需要封装清洗函数时直接在assign中调用即可：

import seaborn as sns

df = sns.load_dataset('tips')
# str.replace默认支持正则，regex=True可显式声明正则模式
df = df.assign(text=lambda d: d['time'].str.replace(r'Dinn', '', regex=True))

执行后逐行替换逻辑正常生效，Dinner会被替换为er，无全列重复值问题。

保留自定义清洗函数的写法 #

如果清洗逻辑复杂需要封装为独立函数，只需要将函数设计为接收Series类型入参，内部调用pandas向量化字符串接口即可：

import seaborn as sns

def remove_url(text_col):
    # 入参为整列Series，向量化执行替换无逐行循环开销
    return text_col.str.replace(r'Dinn', '', regex=True)

df = sns.load_dataset('tips')
df = df.assign(text=lambda d: remove_url(d['time']))

补充：如果你的清洗逻辑必须依赖re库的高级特性（比如正则替换回调函数），可以使用Series.map(re_func)实现，但常规正则替换场景优先使用Series.str接口，性能最优。

内容的提问来源于stack exchange，提问作者Petr