Pandas Series为何不始终用replace替代str.replace方法？

很多人觉得通用replace()方法支持的替换场景更多，能覆盖数值、字符串、空值等多种类型的替换需求，就想所有替换场景都用它，但实际做文本类替换操作时，str.replace()有几个非常实在的优势，是通用replace()比不了的：

• 默认匹配逻辑完全贴合字符串处理习惯
  str.replace()从设计上就是专门给字符串操作做的，默认就是做子串匹配替换，遇到列里的非字符串元素（比如数值、空值NaN）会直接返回缺失值，不会出奇怪的匹配结果。而通用replace()默认是整值精确匹配——也就是说你想把所有字符串里的"斤"替换成"kg"，直接写replace("斤", "kg")根本不会生效，它只会把单元格内容完全等于"斤"的那些值替换掉，要做子串替换还得手动加regex=True参数，新手很容易踩这个坑。
• 自带字符串专属参数，写代码更省事
  str.replace()带了很多文本处理专属的配置项：比如用case=False就能直接实现不区分大小写的匹配，用n参数可以指定每个字符串里最多替换几处匹配内容，用flags参数可以直接传入正则的匹配修饰符（比如多行匹配、忽略注释空白等）。这些功能用通用replace()要么根本不支持，要么得自己写复杂的正则、套自定义函数才能实现，平白多写很多代码。举个最常见的场景：你要把每个地址字符串里前2处出现的"路"替换成"Road"，str.replace("路", "Road", n=2)一行就搞定，用replace()得绕好大的弯。
• 混合类型列的容错性更强
  实际业务里取到的数据很少是完全干净的，经常一个列里混着字符串、数值、空值、甚至布尔值。这种场景下用str.replace()不会随便抛类型错误，非字符串的内容统一返回NaN，后续你可以针对性做填充或者类型转换；要是用通用replace()开正则模式做替换，碰到数值、布尔值这类非字符串内容很容易直接报类型异常，你还得提前写逻辑判断每个元素的类型，多做很多无用功。
• 字符串场景下性能更高
  针对纯字符串列的替换操作，str.replace()走的是pandas专门优化过的字符串向量化运算路径，比通用replace()开正则模式的执行速度快不少，数据量到十万级以上的时候，性能差距会非常明显。

补充：两种方法没有绝对的好坏，如果你的需求是整值替换（比如把所有等于-999的异常值替换成空值，把分类值"男"替换成1、"女"替换成0），用通用replace()更方便；但只要是做子串替换、正则模式的文本处理，优先选str.replace()，踩坑少、代码短、运行还快。

内容的提问来源于stack exchange，提问作者eHarazi