如何高效为DataFrame每行url批量去除协议与www前缀

推荐使用pandas原生矢量化正则替换，仅需一次遍历即可完成所有匹配替换，效率是原有四次替换写法的3~4倍，也远高于逐行循环的apply方案，同时可避免原有写法的误匹配问题：

df['url'] = df['url'].str.replace(r'^(https?|ftp)://(www\.)?', '', regex=True)

方案说明 #

• 正则用^锚定字符串开头，只会匹配URL最前面的协议和www前缀，不会误删URL中间出现的对应字符
• https?同时匹配http和https两种协议，(www\.)?匹配可选的www前缀，所有符合规则的内容会被一次性替换为空
• 原有写法默认开启正则匹配时，www.中的.会作为通配符匹配任意字符，存在误删风险，当前方案用\.转义后仅匹配字面量的点号

如果一定要用lambda+apply实现，写法如下，不过该方案本质是逐行遍历，大数量场景下执行速度远低于第一种矢量化方案：

import re
df['url'] = df['url'].apply(lambda x: re.sub(r'^(https?|ftp)://(www\.)?', '', x))

内容的提问来源于stack exchange，提问作者Azarkuz