Python 使用ix或iloc检查数据帧中的特定值（单元格中）是否为NaN不工作

假设我有以下

pandas

DataFrame

：

import pandas as pd
df = pd.DataFrame({"A":[1,pd.np.nan,2], "B":[5,6,0]})

这看起来像：

>>> df
     A  B
0  1.0  5
1  NaN  6
2  2.0  0

第一选择 我知道一种检查特定值是否为

NaN

的方法，如下所示：

>>> df.isnull().ix[1,0]
True

第二个选项（不工作） 我认为下面的选项，使用

ix

，也可以，但它不是：

>>> df.ix[1,0]==pd.np.nan
False

我还尝试了

iloc

，结果相同：

>>> df.iloc[1,0]==pd.np.nan
False

但是，如果我使用

ix

或

iloc

检查这些值，我会得到：

>>> df.ix[1,0]
nan
>>> df.iloc[1,0]
nan

那么，为什么第二个选项不起作用？可以使用

ix

或

iloc

检查

NaN

值吗？

尝试以下方法：

In [107]: pd.isnull(df.iloc[1,0])
Out[107]: True

---

更新：在较新版本中使用：

试试这个：

In [107]: pd.isnull(df.iloc[1,0])
Out[107]: True

---

更新：在较新版本中使用：

---

以上答案非常好。为了更好地理解，这里也有一个例子

>>> import pandas as pd
>>>
>>> import numpy as np
>>>
>>> pd.Series([np.nan, 34, 56])
0     NaN
1    34.0
2    56.0
dtype: float64
>>>
>>> s = pd.Series([np.nan, 34, 56])
>>> pd.isnull(s[0])
True
>>>

我也试过几次，以下的试验都不起作用。多亏了

@MaxU

>>> s[0]
nan
>>>
>>> s[0] == np.nan
False
>>>
>>> s[0] is np.nan
False
>>>
>>> s[0] == 'nan'
False
>>>
>>> s[0] == pd.np.nan
False
>>>

---

以上答案非常好。为了更好地理解，这里也有一个例子

>>> import pandas as pd
>>>
>>> import numpy as np
>>>
>>> pd.Series([np.nan, 34, 56])
0     NaN
1    34.0
2    56.0
dtype: float64
>>>
>>> s = pd.Series([np.nan, 34, 56])
>>> pd.isnull(s[0])
True
>>>

我也试过几次，以下的试验都不起作用。多亏了

@MaxU

>>> s[0]
nan
>>>
>>> s[0] == np.nan
False
>>>
>>> s[0] is np.nan
False
>>>
>>> s[0] == 'nan'
False
>>>
>>> s[0] == pd.np.nan
False
>>>

pd.isna（单元格\u值）

可用于检查给定单元格值是否为nan。或者，

pd.notna（cell\u value）

检查相反的值

来自熊猫的源代码：

def isna(obj):
    """
    Detect missing values for an array-like object.

    This function takes a scalar or array-like object and indicates
    whether values are missing (``NaN`` in numeric arrays, ``None`` or ``NaN``
    in object arrays, ``NaT`` in datetimelike).

    Parameters
    ----------
    obj : scalar or array-like
        Object to check for null or missing values.

    Returns
    -------
    bool or array-like of bool
        For scalar input, returns a scalar boolean.
        For array input, returns an array of boolean indicating whether each
        corresponding element is missing.

    See Also
    --------
    notna : Boolean inverse of pandas.isna.
    Series.isna : Detect missing values in a Series.
    DataFrame.isna : Detect missing values in a DataFrame.
    Index.isna : Detect missing values in an Index.

    Examples
    --------
    Scalar arguments (including strings) result in a scalar boolean.

    >>> pd.isna('dog')
    False

    >>> pd.isna(np.nan)
    True

pd.isna（单元格\u值）

可用于检查给定单元格值是否为nan。或者，

pd.notna（cell\u value）

检查相反的值

来自熊猫的源代码：

def isna(obj):
    """
    Detect missing values for an array-like object.

    This function takes a scalar or array-like object and indicates
    whether values are missing (``NaN`` in numeric arrays, ``None`` or ``NaN``
    in object arrays, ``NaT`` in datetimelike).

    Parameters
    ----------
    obj : scalar or array-like
        Object to check for null or missing values.

    Returns
    -------
    bool or array-like of bool
        For scalar input, returns a scalar boolean.
        For array input, returns an array of boolean indicating whether each
        corresponding element is missing.

    See Also
    --------
    notna : Boolean inverse of pandas.isna.
    Series.isna : Detect missing values in a Series.
    DataFrame.isna : Detect missing values in a DataFrame.
    Index.isna : Detect missing values in an Index.

    Examples
    --------
    Scalar arguments (including strings) result in a scalar boolean.

    >>> pd.isna('dog')
    False

    >>> pd.isna(np.nan)
    True

---

---

说明：试试这个：

pd.np.nan==pd.np.nan

；）这将导致

错误

！为什么？这就是“不是数字”的本质。正因为如此，我们在SQL中有了

pd.isnull（）

，

pd.notnull（）

，

是（非）NULL

，etc@ayhan，您认为如何-我们是否应该将其作为一个dupe关闭？解释：尝试以下操作：

pd.np.nan==pd.np.nan

；）这将导致

错误

！为什么？这就是“不是数字”的本质。正因为如此，我们在SQL中有了

pd.isnull（）

，

pd.notnull（）

，

是（非）NULL

，etc@ayhan，你怎么想-我们应该把它当作一个傻瓜来结束吗？太好了。这回答了问题的第二部分。我想另一种方法是

pd.isnull（df）.iloc[1][0]

@CedricZoppolo，我喜欢你的原始版本（在问题中）-

df.isnull（）.ix[1,0]

better@Cedric另外，

np.isnan（df.iloc[1,0]）

检查一个数字是否为nan。我将添加

df.iloc[1,0]is pd.np.nan

解析为

False

，因为类型不同<代码>类型（df.iloc[1,0]）解析为

和

类型（pd.np.nan）

解析为

，正如@MaxU在问题的评论中所建议的，以检查为什么会发生这种情况。@CedricZoppolo和MaxU不是

pd.isnull（df）。iloc[1][0]

效率低得多？太好了。这回答了问题的第二部分。我想另一种方法是

pd.isnull（df）.iloc[1][0]

@CedricZoppolo，我喜欢你的原始版本（在问题中）-

df.isnull（）.ix[1,0]

better@Cedric另外，

np.isnan（df.iloc[1,0]）

检查一个数字是否为nan。我将添加

df.iloc[1,0]is pd.np.nan

解析为

False

，因为类型不同<代码>类型（df.iloc[1,0]）解析为

和

类型（pd.np.nan）

解析为

，正如@MaxU在问题中的注释所建议的，以检查为什么会发生这种情况。@CedricZoppolo和MaxU不是

pd.isnull（df.iloc[1][0]

效率低得多？两个函数

pd.isnull

和

pd.isna

的作用完全相同。实际上，

pd.isnull

是

pd.isna

的别名，如中所述。同意，对于初学者来说，isna在使用pandas时更具可读性。这两个函数

pd.isnull

和

pd.isna

的作用完全相同。实际上，

pd.isnull

是

pd.isna

的别名，如中所述。同意，对于初学者来说，isna在使用熊猫时更具可读性。