在这种情况下，您可以将Series.apply与re.sub合并，而不是将Series.str.replace的2个示例链接起来，最后添加Series.str.strip。这样通常会更快（请参阅答案末尾的原因），但对于polars尤其如此。

Pandas版

import pandas as pd
t = "'Hello  World\u2019 "
df = pd.DataFrame({'text': [t]*750000})

df['text'] = (df['text']
              .str.replace('\u2019',"'", regex=True)
              .str.replace(' +',' ', regex=True)
              .str.strip())

df.head()

            text
0  'Hello World'
1  'Hello World'
2  'Hello World'
3  'Hello World'
4  'Hello World'

极地版本

import polars as pl
t = "'Hello  World\u2019 "
df_pl = pl.DataFrame({'text': [t]*750000})

df_pl = (df_pl
         .with_column(pl.col('text')
                      .str.replace('\u2019',"'")
                      .str.replace(' +',' ')
                      .str.strip()))

df_pl.head()

┌───────────────┐
│ text          │
│ ---           │
│ str           │
╞═══════════════╡
│ 'Hello World' │
├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ 'Hello World' │
├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ 'Hello World' │
├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ 'Hello World' │
├╌╌╌╌╌╌╌╌╌╌╌╌╌╌╌┤
│ 'Hello World' │
└───────────────┘

性能比较

每种方法的timeit检测结果（检查dfs是否相等）：

method  timeit (s)      perc
0  pandas_new    1.092429  1.000000
1  pandas_old    1.553892  1.422419
2  polars_new    0.151107  0.138322
3  polars_old    1.851840  1.695158

如您所见，pandas和polars的两种新方法都比原始方法快，polars方法明显赢家，仅占新pandas方法的13.8%。
那么，为什么Series.str.replace（或：str.strip）比Series.apply快得多？原因是前者一次对整个Series（例如“列”）执行一个运算符（“向量化”），而后者分别为Series中的每个元素调用Python函数。例如lambda x: cleanse_text(x)表示：将UDF（用户定义函数）应用于列中的第一个元素，列中的第二个元素，等等。在较大的集合中，这将产生巨大的差异。也可参考documentation的pl.DataFrame.apply。