如果所有列都是数值型的，你可以使用布尔型索引：

In [1]: import pandas as pd

In [2]: df = pd.DataFrame({'a': [0, -1, 2], 'b': [-3, 2, 1]})

In [3]: df
Out[3]: 
   a  b
0  0 -3
1 -1  2
2  2  1

In [4]: df[df < 0] = 0

In [5]: df
Out[5]: 
   a  b
0  0  0
1  0  2
2  2  1

对于更一般的情况，this answer显示了私有方法_get_numeric_data：

In [1]: import pandas as pd

In [2]: df = pd.DataFrame({'a': [0, -1, 2], 'b': [-3, 2, 1],
                           'c': ['foo', 'goo', 'bar']})

In [3]: df
Out[3]: 
   a  b    c
0  0 -3  foo
1 -1  2  goo
2  2  1  bar

In [4]: num = df._get_numeric_data()

In [5]: num[num < 0] = 0

In [6]: df
Out[6]: 
   a  b    c
0  0  0  foo
1  0  2  goo
2  2  1  bar

使用timedelta类型，布尔索引似乎对单独的列有效，但对整个 Dataframe 无效。因此，您可以：

In [1]: import pandas as pd

In [2]: df = pd.DataFrame({'a': pd.to_timedelta([0, -1, 2], 'd'),
   ...:                    'b': pd.to_timedelta([-3, 2, 1], 'd')})

In [3]: df
Out[3]: 
        a       b
0  0 days -3 days
1 -1 days  2 days
2  2 days  1 days

In [4]: for k, v in df.iteritems():
   ...:     v[v < 0] = 0
   ...:     

In [5]: df
Out[5]: 
       a      b
0 0 days 0 days
1 0 days 2 days
2 2 days 1 days

**更新：**与pd.Timedelta的比较适用于整个DataFrame：

In [1]: import pandas as pd

In [2]: df = pd.DataFrame({'a': pd.to_timedelta([0, -1, 2], 'd'),
   ...:                    'b': pd.to_timedelta([-3, 2, 1], 'd')})

In [3]: df[df < pd.Timedelta(0)] = 0

In [4]: df
Out[4]: 
       a      b
0 0 days 0 days
1 0 days 2 days
2 2 days 1 days

另一种简洁的方法是pandas.DataFrame.clip。
例如：

import pandas as pd

In [20]: df = pd.DataFrame({'a': [-1, 100, -2]})

In [21]: df
Out[21]: 
     a
0   -1
1  100
2   -2

In [22]: df.clip(lower=0)
Out[22]: 
     a
0    0
1  100
2    0

我发现另一个有用的干净选项是pandas.DataFrame.mask，它将“替换条件为真的值”
创建DataFrame：

In [2]: import pandas as pd

In [3]: df = pd.DataFrame({'a': [0, -1, 2], 'b': [-3, 2, 1]})

In [4]: df
Out[4]: 
   a  b
0  0 -3
1 -1  2
2  2  1

将负数替换为0：

In [5]: df.mask(df < 0, 0)
Out[5]: 
   a  b
0  0  0
1  0  2
2  2  1

或者，将负数替换为NaN，我经常需要它：

In [7]: df.mask(df < 0)
Out[7]: 
     a    b
0  0.0  NaN
1  NaN  2.0
2  2.0  1.0

你可以这样使用pandas.where(args)：

data_frame = data_frame.where(data_frame < 0, 0)

使用lambda函数

df['column'] = df['column'].apply(lambda x : x if x > 0 else 0)

如果你正在处理一个大的df（在我的例子中是40m x 700），它可以更快地工作，并且通过对列的迭代来节省内存，比如。

for col in df.columns:
    df[col][df[col] < 0] = 0

对现有答案稍作修改。
让我们识别所有数值列，并创建一个包含所有数值的数据框。然后在新的 Dataframe 中用NaN替换负值

df_numeric = df.select_dtypes(include=[np.number])
df_numeric = df_numeric.where(lambda x: x > 0, np.nan)

现在，删除主数据框中处理负值的列，然后将新列值连接到主数据框

numeric_cols = df_numeric.columns.values
df = df.drop(columns=numeric_cols)
df = pd.concat([df, df_numeric], axis = 1)

如果你有一个混合数据类型的数据集，也可以考虑将非数字数据移动到索引中，更新数据，然后删除索引：

df = pd.DataFrame({'a': [0, -1, 2], 'b': [-3, 2, 1],
                       'c': ['foo', 'goo', 'bar']})
df = df.set_index('c')
df[df < 0] = 0
df = df.reset_index()

由于某些原因，使用_get_numeric_data()的方法对我不起作用。

试试这个：

df.loc[(df < 0).index, :] = 0

要避免出现不可预测的行为，请执行以下操作：返回视图与副本