NaN和None有什么区别？

我正在使用熊猫读取csv文件的两列，readcsv()然后将值分配给字典。这些列包含数字和字母字符串。有时在某些情况下单元格为空。在我看来，应读取None但应nan分配该字典条目的值。当然None，由于它具有空值，因此更能描述一个空单元格，而nan只是说读取的值不是数字。

我的理解正确吗，None和之间有什么区别nan？为什么nan分配而不是None？

另外，我的字典检查是否有任何空单元格一直在使用numpy.isnan()：

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

但这给了我一个错误，说我不能使用此检查v。我猜这是因为要使用整数或浮点变量，而不是字符串。如果是这样，如何检查v“空单元” / nan盒？

NaN被用作占位符，丢失的数据一致的大熊猫，一致性好等特点。我通常将NaN读/翻译为“ missing”。另请参阅文档中的“处理丢失的数据”部分。

Wes在文档“ NA表示的选择”中写道：

考虑到NumPy和Python的总体情况，经过多年的生产使用[NaN]已经证明是最好的决定。特殊值NaN（非-A-数）被用作到处作为NA值，并有API函数isnull和notnull可跨越dtypes被用于检测NA的值。
...
因此，我选择了Pythonic的“实用性胜过纯度”方法，并且将整数NA功能换成了更简单的方法，即在float和object数组中使用特殊值来表示NA，并在必须使用NA时将整数数组提升为float介绍。

注意：包含缺失数据的整数系列被转换为浮点数的“陷阱”。

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object dtype，请参阅NA type Promotions 。

#  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')

杰夫对此评论（如下）：

np.nan允许向量化操作；它是一个float值，而None根据定义，它强制对象类型，这基本上禁用了numpy中的所有效率。

因此，快速重复3次：object ==坏，float == good

说，许多操作在None vs NaN上仍然可以正常工作（但可能不受支持，即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

要回答第二个问题：
您应该使用pd.isnull并pd.notnull测试丢失的数据（NaN）。

NaN可以用作数学运算的数值，而None不能（或至少不应）用作数值。

NaN是一个数字值，如IEEE 754浮点标准中所定义。 None是内部Python类型（NoneType），在这种情况下，它更像是“无意义的”或“空的”而不是“数值上无效的”。

其主要的“症状”是，如果您对包含NaN甚至是单个NaN的数组进行平均或求和，结果就是NaN ...

另一方面，您无法使用 None作为操作数的运算。

因此，根据情况，您可以使用None一种方法来告诉算法不要在计算中考虑无效或不存在的值。这意味着算法应测试每个值以查看是否为None。

Numpy具有一些功能来避免NaN值污染您的结果，例如nansum和nan_to_num。

该函数isnan()检查以查看某物是否为“ Not A Number”，并将返回变量是否为数字，例如isnan(2)返回false

条件myVar is not None返回值是否定义了变量

您的numpy数组isnan()之所以使用，是因为它原本是一个数字数组，并且将数组的所有元素初始化为NaN这些元素，但这些元素被视为“空”

以下是区别：

• nan 属于阶级 float
• None 属于阶级 NoneType

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

NaN坚持不算一个数字。
None可能代表任何。