Python NaN和None有什么区别？

我正在使用pandas

readcsv（）

读取csv文件的两列，然后将值分配给字典。这些列包含数字和字母字符串。有时也会出现单元格为空的情况。在我看来，读取到该词典条目的值应该是

None

，而不是

nan

。当然，

None

更能描述空单元格，因为它有一个空值，而

nan

只是说读取的值不是一个数字

我的理解正确吗，

None

和

nan

之间有什么区别？为什么分配了

nan

而不是

None

此外，我的字典一直在使用

numpy.isnan（）

检查是否有空单元格：

---

但这给了我一个错误，即我不能将此检查用于

v

。我猜这是因为要使用的是整数或浮点变量，而不是字符串。如果这是真的，我如何检查

v

是否有“空单元格”/

nan

案例？

nan

状态是否为非数字

---

None

可能代表any

NaN

表示非数字

None

可能代表any

函数检查某个内容是否为“非数字”，并将返回变量是否为数字，例如

isnan（2）

将返回false

条件

myVar不是None

返回变量是否已定义

您的numpy数组使用

isnan（）

，因为它是一个数字数组，它将数组的所有元素初始化为

NaN

这些元素被视为“空”

函数检查某个元素是否“不是数字”，并返回某个变量是否是数字，例如

isnan（2）

将返回false

条件

myVar不是None

返回变量是否已定义

---

您的numpy数组使用

isnan（）

，因为它是一个数字数组，它将数组的所有元素初始化为

NaN

，这些元素被视为“空”

NaN

可以用作数学运算的数值，而

None

不能（或至少不应该）

NaN

是一个数值，如中所定义。

None

是一种内部Python类型（

NoneType

），在本文中更像是“不存在”或“空”，而不是“数字无效”

主要的“症状”是，如果你在一个包含NaN的数组上执行平均值或求和，即使是一个数组，你也会得到NaN

另一方面，不能使用

None

作为操作数执行数学运算

这样，根据情况，您可以使用<代码> NON/COMP>作为告诉您的算法不考虑计算中无效或不存在的值的一种方式。这意味着算法应该测试每个值，看看它是否为

None

---

Numpy有一些函数可以避免NaN值污染结果，例如

nansum

和

nanu to_num

。

NaN

可以用作数学运算的数值，而

None

不能（或至少不应该）

NaN

是一个数值，如中所定义。

None

是一种内部Python类型（

NoneType

），在本文中更像是“不存在”或“空”，而不是“数字无效”

主要的“症状”是，如果你在一个包含NaN的数组上执行平均值或求和，即使是一个数组，你也会得到NaN

另一方面，不能使用

None

作为操作数执行数学运算

这样，根据情况，您可以使用<代码> NON/COMP>作为告诉您的算法不考虑计算中无效或不存在的值的一种方式。这意味着算法应该测试每个值，看看它是否为

None

---

Numpy有一些函数可以避免NaN值污染您的结果，例如

nansum

和

NaN_to_num

。

NaN用作的占位符，一致性很好。我通常把NaN读/译为“失踪”。另请参见文档中的部分

韦斯在文件中写道：

经过多年的生产使用，至少在我看来，考虑到NumPy和Python的总体状况，使用[NaN]已经被证明是最好的决定。特殊值NaN（不是数字）在任何地方都用作NA值，并且有API函数，可以跨数据类型使用它们来检测NA值。
…
因此，我选择了Pythonic的“实用性优于纯度”方法，并将整数NA功能转换为一种更简单的方法，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NAs时将整数数组升级为浮点数组

注：附件

在我看来，使用NaN（优于None）的主要原因是它可以与numpy的float64数据类型一起存储，而不是使用效率较低的对象数据类型，请参阅

Jeff对此发表了评论（如下）：

np.nan

允许矢量化操作；它是一个浮点值，而根据定义，

None

强制对象类型，这基本上禁用了numpy中的所有效率

所以快速重复3次：object==坏，float==好

也就是说，许多操作在None vs NaN的情况下仍然可以正常工作（但可能不受支持，即它们有时可能提供）：

回答第二个问题：

---

您应该使用和来测试丢失的数据（NaN）。

NaN用作的占位符，一致性良好。我通常把NaN读/译为“失踪”

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

#  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')

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

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