np.nan, np.isnan, None, pd.isnull, pd.isna 整理与小结

np.nan

np.nan
not a member	nan的含义是“not a number“，它是对array中缺失的数值的占位符
type 为 float	因为代表缺失的数值，np.nan的type是float
可参与计算	np.nan的type是float，所以np.nan可参与计算，且占主导地位，也就是算出的值都为np.nan
不等于自身	如果用np.nan==np.nan，会发现返回的结果为False，如果用np.nan in array，也不能发现array中是否包含np.nan
np.isnan判断是否存在np.nan	np.nan因为没有等于的概念，所以要判断是否存在np.nan，只可以用np.isnan来判断
np.isnan只可以判断数值型	如果用np.isnan对其余type的array判断，会报错，np.isnan只可以判断数字型array

忽略np.nan的numpy计算
nansum()
nanmax()
nanmin()
nanargmax()
nanargmin()

None

None
NoneType	None的type为NoneType，是python内置的
不可参与计算	None不可参与计算，否则报错
None is None 或者 None==None	这两种方式返回值都是True

pd.isnull 和 pd.isna

pd.isnull pd.isna
pd.isnull 和 pd.isna是同一个东西	用命令pd.isnull==pd.isna，会发现返回值为True
None和np.nan在pandas中都是缺省值	None和np.nan都会被pd.isnull或者pd.isna判断为True
可以判断List或者单独一个值	pd.isnull和pd.isna的判断对象可以为一个值或者一个list
pandas中缺省值不参与计算	当使用df.min()等计算时，会发现缺省值不参与计算

代码示例

• 只可以用np.isnan判断array中是否包含np.nan

a = np.array([1,2,3,4,np.nan])
a == np.nan
>>> array([False, False, False, False, False])
np.nan in a
>>> False
np.isnan(a)
>>> array([False, False, False, False,  True])

• np.nan可参与计算，np.nan占主导地位

a = np.array([1,2,3,4,np.nan])
a.max()
>>> np.nan
a.min()
>>> np.nan
b = np.array([1,np.nan,3,4,5])
a+b
>>> array([ 2., nan,  6.,  8., nan])

• np.isnan只可以对数值型array判断，当array中其余的元素为字符串是，array会将np.nan转换成’nan’
  
• 在pandas中，np.nan和None都被视为缺省值

df = pd.DataFrame({
    'col1':['a','b','c','d'], 'col2':[1,2,3,4]})
df.loc[1,'col1'] = np.nan
df.loc[2,'col1'] = None
df
>>> col1	col2
0	a	1
1	NaN	2
2	None	3
3	d	4

pd.isna(df)
>>>	col1	col2
0	False	False
1	True	False
2	True	False
3	False	False

• pandas中缺省值不参与计算

df = pd.DataFrame(np.arange(8).reshape(2,4))
df.iloc[0,1] = None
df.iloc[0,2] = np.nan
df
>>> 0	1	2	3
0	0	NaN	NaN	3
1	4	5.0	6.0	7

df.min(axis=1)
>>> 0    0.0
1    4.0
dtype: float64