在处理数据的时候，很多时候会遇到批量替换的情况，如果一个一个去修改效率过低，也容易出错。replace()是很好的方法。
1.基本结构：
df.replace(to_replace, value) 前面是需要替换的值，后面是替换后的值。
这样会搜索整个DataFrame, 并将所有符合条件的元素全部替换。
进行上述操作之后，其实原DataFrame是并没有改变的。改变的只是一个复制品。
2. 如果需要改变原数据，需要添加常用参数 inplace=True
这个参数在一般情况没多大用处，但是如果只替换部分区域时，inplace参数就有用了。
在上面这个操作中，‘合计’这一列中的0，并没有被替换。只有‘金额’这一列的0被替换，而且，替换后的结果不需要我们再和原数据进行合并操作，直接体现在原数据中。
只对某一列特定的值进行替换：
result['prediction'].replace([0,1,2,3,4,5,6,7,8],[870,870,880,898,1300,13117,13298,13690,13691],inplace=True)
BTW: 在pyspark 中的 replace() 函数
result.na.replace([0,1,2,3,4,5,6,7,8], [870,878,880,898,1300,13117,13298,13690,13691], 'prediction')
https://www.cnblogs.com/nshuai/articles/5762343.html