None 和 NaN分不清？ pandas 难点彻底搞懂

本文介绍: Pand a s 和 Num py 是数据挖掘和数据科学中广泛使用的工具，但有时人们会对 Non e 和 NaN 感到困惑，它们非常相似但略有不同的数据类型。在这里，我们通过一些示例彻底把问题弄清楚。

Pa n da s 和 Num py 是数据挖掘和数据科学中广泛使用的工具，但有时人们会对 Non e 和 NaN 感到困惑，它们非常相似但略有不同的数据类型。在这里，我们通过一些示例彻底把问题弄清楚。

主要区别

Non e 表示信息确实，但其类型不是数字。因此，任何包含 Non e 值的列（比如 Panda s Se ri es）肯定不是数字类型，例如 int 或 float。
NaN 代表非数字，是数字类型。这意味着可以在 int 或 float 类型的数值列中找到 NaN。

动手测试

在下面的测试中，None 值会自动转换为 NaN 值，因为该list中的其他数值是数字， Panda s 自动将 None 转换为 NaN。NaN类型对于很多算术操作来更简单，因此被优先考虑。

import pandas as pd
pd.Series([1,None])

0    1.0
1    NaN
dtype: float64

在下面的测试中，该list 系列中的另一个值是一个字符串，因此 None 值保持为 None 值。这使得整个系列对象类型。

import pandas as pd
pd.Series(["1",None])

0       1
1    None
dtype: object

None 类型会导致更多的数值 操作 错误

为什么我们说，使用 NaN 类型对于许多常用操作会更有利？
因为NaN对许多算术运算来说是合法的。例如，下面涉及None的操作会报错：

None + 1

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

&lt;ipython-input-8-3fd8740bf8ab&gt; in &lt;module&gt;
----&gt; 1 None + 1


TypeError: unsupported operand type(s) for +: 'NoneType' and 'int'