NaN 和 None 有什么区别？

问题描述：

我正在使用 pandas 读取 csv 文件的两列readcsv()，然后将这些值分配给一个字典。这些列包含数字和字母的字符串。偶尔会出现单元格为空的情况。在我看来，读取到该字典条目的值应该是，None但却nan被分配了。当然，None这更能描述一个空单元格，因为它有一个空值，而nan只是说读取的值不是数字。

None我的理解是否正确，和之间有什么区别nan？为什么nan分配的是而不是None？

此外，我的字典检查是否有任何空单元格一直使用numpy.isnan()：

for k, v in my_dict.iteritems():
    if np.isnan(v):

但这给了我一个错误，说我不能用这个检查v。我猜是因为应该使用整数或浮点变量，而不是字符串。如果这是真的，我该如何检查v“空单元格”/nan案例？

解决方案 1：

NaN在 pandas 中始终用作缺失数据的占位符，一致性很好。我通常将 NaN 读作/翻译为“缺失”。另请参阅文档中的“处理缺失数据”部分。

Wes 在文档‘NA 表示的选择’中写道：

经过多年的生产使用，[NaN] 已被证明是 NumPy 和 Python 总体状况下的最佳决策，至少在我看来是这样。特殊值 NaN（非数字）在任何地方都用作NA 值，并且有 API 函数isna和notna可用于跨 dtype 检测 NA 值。...

因此

，我选择了 Pythonic“实用性胜过纯粹性”方法，并将整数 NA 功能换成一种更简单的方法，即在浮点和对象数组中使用特殊值来表示 NA，并在必须引入 NA 时将整数数组提升为浮点数。

注意：包含缺失数据的整数系列被向上转换为浮点数。

在我看来，使用 NaN（而不是 None）的主要原因是它可以与 numpy 的 float64 dtype 一起存储，而不是效率较低的对象 dtype，请参阅NA 类型提升。

#  without forcing dtype it changes None to NaN!
s_bad = pd.Series([1, None], dtype=object)
s_good = pd.Series([1, np.nan])

In [13]: s_bad.dtype
Out[13]: dtype('O')

In [14]: s_good.dtype
Out[14]: dtype('float64')

Jeff 对此的评论如下：

np.nan允许矢量化操作；它是一个浮点值，而None根据定义，强制对象类型，这基本上禁用了 numpy 中的所有效率。

因此快速重复 3 遍：object==坏，float==好

话虽如此，许多操作可能仍然可以与 None 和 NaN 一样有效（但可能不受支持，即它们有时可能会产生令人惊讶的结果）：

In [15]: s_bad.sum()
Out[15]: 1

In [16]: s_good.sum()
Out[16]: 1.0

回答第二个问题：

您应该使用isna和notna来测试缺失数据（NaN）。

解决方案 2：

NaN可以在数学运算中用作数值，而None不能（或至少不应该）。

NaN是一个数值，如IEEE 754 浮点标准中所定义。
None是 Python 的内部类型 ( NoneType)，并且在这种情况下更像是“不存在”或“空”，而不是“数值无效”。

其主要的“症状”是，如果你对包含 NaN 的数组执行平均值或总和，即使只有一个 NaN，结果也会是 NaN……

另一方面，您不能使用它None作为操作数执行数学运算。

因此，根据具体情况，您可以使用None来告诉算法不要在计算中考虑无效或不存在的值。这意味着算法应该测试每个值以查看它是否None。

Numpy 有一些函数可以避免 NaN 值污染你的结果，例如nansum和nan_to_num。

解决方案 3：

该函数isnan()检查某个东西是否“不是数字”，并返回变量是否为数字，例如isnan(2)返回 false。

条件myVar is not None返回变量是否被定义

您的 numpy 数组使用，isnan()因为它旨在成为一个数字数组，并且它将数组的所有元素初始化为NaN这些元素被视为“空”

解决方案 4：

以下是差异：

• nan属于阶级float

• None属于阶级NoneType

我发现以下文章非常有用：
https: //medium.com/analytics-vidhya/dealing-with-missing-values-nan-and-none-in-python-6fc9b8fb4f31