如何让熊猫辨别python中None和NaN的区别？

“我的数据”中的某些项的默认值等于

None

，而某些默认值只是缺少。但是，熊猫似乎没有太大的区别，它们之间的区别，它们都是NaN，这是有点逻辑的，因为它们都不是数字，但我还是想把Nones存储为Nones，Nass也像Nass一样。有可能吗？

如果

pandas

将列的

dtype

解释为数字，则所有空

None

或

np.nan

将变为

np.nan

。熊猫在同一列中保留

None

和

np.nan

的唯一方法是将

dtype

be

object

。但是，需要指出的是，如果

dtype

是

object

，则会失去使用数值

dtype

的许多好处，比如高效计算

pd.Series([1, None, np.nan, 2])

0    1.0
1    NaN
2    NaN
3    2.0
dtype: float64

---

---

---

啊，我明白了！看来这正是我需要的。非常感谢。请你至少提一下其中的一些好处好吗？我能做分组、过滤等吗？我看不出我的目的有什么好处。我可以想象有人想要将

None

与

np.nan

分开保存的边缘用例。或者出于报告的目的，他们希望他们的表格看起来像某种方式。否则，我不熟悉使用

dtype

对象的任何实质性好处。当我想要一个系列来跟踪我的自定义对象时，我就使用了它，但这并不正常。是的，你可以进行过滤和分组。但是没有比这更有效的了。啊，好吧，那么区别主要在于效率，对吗？嗯，我之所以要把它们分开，是因为我的数据框是由函数名、它们的参数、参数的默认值等组成的，所以列的“default_值”“有时必须存储
None
，表示相应参数的默认值设置为
None
，有时
Nan
，表示缺少默认值。那么，在不分离
Nans
和
Nones
的情况下，我如何做到这一点？
pd.Series([1, None, np.nan, 2], dtype=object)

0       1
1    None
2     NaN
3       2
dtype: object

s1 = pd.Series([1, None, np.nan, 2])
s2 = pd.Series([1, None, np.nan, 2], dtype=object)

%timeit s1 + 1
%timeit s2 + 1

68 µs ± 3.39 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
169 µs ± 5.18 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)