您可以使用applymap()，这对于您的情况来说是简洁的。

df.applymap(foo_bar)

#     A       B       C
#0  wow     bar wow bar
#1  bar wow wow     bar

另一种选择是将函数矢量化，然后使用apply方法：

import numpy as np
df.apply(np.vectorize(foo_bar))
#     A       B       C
#0  wow     bar wow bar
#1  bar wow wow     bar

我想您可以使用np.vectorize：

>>> df[:] = np.vectorize(foo_bar)(df)
>>> df
       A    B    C
foo  bar  wow  bar
bar  wow  wow  bar
>>>

这可能会更快，因为它使用的是numpy。

在Psidom's answer上展开，如果您定义的函数接受额外的参数，那么您可以使用kwargs传递它们。例如，要在OP中切换repl或foo_bar()：

def foo_bar(x, bar=''):
    return x.replace('foo', bar)

df.applymap(foo_bar, bar='haha')

字符串操作是applymap特别有用的常见情况之一（如OP中）。由于panda中的字符串操作没有经过优化，因此循环通常比矢量化操作执行得更好，尤其是在有许多操作的情况下。例如，对于以下使用条件替换帧中的值的简单任务，applymap比等效的矢量化panda代码快3倍以上。

def foo_bar(x):
    return x.replace('foo', 'wow') if len(x)>3 else x + ' this'

df = pd.DataFrame([['foo', 'bar', 'foo bar'], ['bar foo', 'foo', 'bar']]*500000, columns=[*'ABC'])

%timeit df.applymap(foo_bar)
# 1.47 s ± 37.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit df.apply(lambda x: np.where(x.str.len()>3, x.str.replace('foo', 'wow'), x + ' this'))
# 4.64 s ± 597 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)