如何按条件替换字符串中spaCy识别的GPE类地理实体词汇？

我有一个存储文本列的DataFrame，样例数据如下：

Text
"Lorum Ipsum Rotterdam dolor sit." 
"ed ut perspiciatis Boekarest, New York, consectetur adipiscing elit, sed " 
"Excepteur sint occaecat Glasgow cupidatat non proident, sunt in culpa"

需求是把文本里所有地理位置实体替换为GPE。

目前用spaCy做实体检测的代码运行正常，可以正确识别出所有GPE实体：

nlp = spacy.load('en_core_web_lg')

for value in df['text']:
    doc = nlp(value)
    for ent in doc.ents:
        print(ent.text, ent.label_)

运行输出：

Rotterdam GPE
Boekarest GPE
New York GPE
Glasgow GPE 

但自行编写的替换代码完全达不到预期效果：

for value in df['text']:
    doc = nlp(value)
    for ent in doc.ents:
        for word in value.split():
            if ent.label_ == "GPE":
                word.replace(ent.label, "_GPE_")

• Python字符串是不可变对象，str.replace()方法不会修改原字符串，只会返回替换后的新字符串，上述代码既没有接收这个返回值，也没有修改原始文本内容，循环跑完原始数据不会有任何变化。
• 替换参数和逻辑完全错误：代码里写的word.replace(ent.label, "_GPE_")，ent.label是spaCy的标签方法对象，既不是要替换的实体文本，也不是标签值；另外按空格拆分单词的方式根本处理不了New York这种多词实体，也处理不了实体后面紧跟标点（比如Boekarest,）的场景。
• 全程没有将修改后的内容写回DataFrame列，就算替换逻辑正确，DataFrame里存储的还是原始文本。

最稳妥的替换方式是直接利用spaCy返回的实体字符偏移量做切片替换，不需要手动拆分单词，还能自动适配多词实体、带标点的实体场景。注意替换时要从文本末尾的实体开始往前替换，避免前面替换改变文本长度后，后续实体的偏移位置失效。

完整可运行代码如下：

import spacy
nlp = spacy.load('en_core_web_lg')

def replace_gpe_entity(text):
    doc = nlp(text)
    processed_text = text
    # 倒序遍历实体，避免偏移量失效
    for ent in reversed(doc.ents):
        if ent.label_ == "GPE":
            # 按实体的原文字符位置切片替换，避免误替换同名字符串
            processed_text = processed_text[:ent.start_char] + "*GPE*" + processed_text[ent.end_char:]
    return processed_text

# 将处理结果写回DataFrame对应列
df['text'] = df['text'].apply(replace_gpe_entity)

处理后文本列的输出结果符合预期：

Text
"Lorum Ipsum *GPE* dolor sit." 
"ed ut perspiciatis *GPE*, *GPE*, consectetur adipiscing elit, sed " 
"Excepteur sint occaecat *GPE* cupidatat non proident, sunt in culpa"

如果需要替换为HTML格式的<em>GPE</em>，只需要把代码里替换的目标字符串改成对应内容即可。

内容的提问来源于stack exchange，提问作者EvitaSchaap