任何型別的資料和nan做計算都是float型別

python原生的None和pandas, numpy中的numpy.NaN儘管在功能上都是用來標示空缺資料。但它們的行為在很多場景下確有一些相當大的差異。由於不熟悉這些差異，曾經給我的工作帶來過不少麻煩。　特此整理了一份詳細的實驗，比較None和NaN在不同場景下的差異。

實驗的結果有些在意料之內，有些則讓我大跌眼鏡。希望讀者看過此文後會None和NaN這對“小妖精”有更深的理解。

為了理解本文的內容,希望本文的讀者需要對pandas的Series使用有一定的經驗。

首先，匯入所需的庫

In[2]:

Python

123	fromnumpy importNaN frompandas importSeries,DataFrameimportnumpy asnp

資料型別?

None是一個python特殊的資料型別， 但是NaN卻是用一個特殊的float

In[3]:

Python

1	type(None)

Out[3]:

Python

1

NoneType

In[4]:

Python

1

type(NaN)

Out[4]:

Python

1

float

能作為dict的key?

In[5]:

Python

1

{None:1}

Out[5]:

Python

1

{None:1}

In[6]:

Python

1

{NaN:1}

Out[6]:

Python

1

{nan:1}

In[7]:

Python

1	{None:1,NaN :2}

Out[7]:

Python

1	{nan:2,None:1}

都可以，而且會被認為是不同的key

Series函式中的表現

Series.map

In[8]:

Python

12	s=Series([None,NaN,'a'])s

Out[8]:

Python

1234	0None1NaN2adtype:object

In[9]:

Python

1	s.map({None:1,'a':'a'})

Out[9]:

Python

1234	01112adtype:object

相關推薦