NaN和None有何区别？
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的string。 偶尔有一些单元格是空的情况。 在我看来，读入该字典条目的值应该是None而不是nan 。 毫无疑问，空白单元格更具描述性，因为空单元格的值是空值，而nan表示读取的值不是数字。
我的理解是否正确， None与有什么区别？ 为什么是nan而不是None ？
另外，我的字典检查任何空单元格已经使用numpy.isnan() ：
for k, v in my_dict.iteritems(): if np.isnan(v):
但这给了我一个错误，说我不能使用这个检查v 。 我想这是因为一个整数或浮点型variables，而不是一个string是为了使用。 如果这是真的，我怎么能检查一个“空细胞”/ nan案？
NaN 在pandas中被用作遗漏数据的占位符，一致性好。 我通常阅读/翻译NaN为“失踪” 。 另请参阅文档中的“处理丢失的数据”部分。
Wes在文档中select“NA表示”中写道：
经过多年的生产使用[NaN]已经certificate，至less在我看来，是对NumPy和Python一般情况的最好的决定。 NaN（Not-A-Number）的特殊值被用作NA的值，API函数
isnull和notnull可以在dtypes中用来检测NA值。
…
因此，我select了Pythonic的“实用性节拍纯度”方法，并且使用浮点数和对象数组中的特殊值来表示NA，并且在必须引入NA时促进整数数组浮动，这种方法简单得多。
注意： 包含缺失数据的整数系列的“gotcha”被上传到浮点数 。
在我看来，使用NaN（over None）的主要原因是它可以用numpy的float64 dtype存储，而不是效率较低的对象dtype， 参见NAtypes的促销 。
# 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')
杰夫评论（如下）：
np.nan允许向量化操作; 它是一个浮点值，None定义，强制对象types，基本上禁用numpy的所有效率。所以快速重复3次：object == bad，float == good
说，许多操作仍然可以与None和NaN一样工作（但可能不被支持，即它们有时可能给出令人惊讶的结果 ）：
In [15]: s_bad.sum() Out[15]: 1 In [16]: s_good.sum() Out[16]: 1.0
要回答第二个问题：
您应该使用pd.isnull和pd.notnull来testing缺less的数据（NaN）。
NaN可以用作math运算的数值，而None不能（或者至less不应该））。
NaN是IEEE 754浮点标准中定义的数值。 None一个是内部的Python NoneType （ NoneType ），在这种情况下更像是“不存在”或“空白”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（甚至是单个数组）上执行一个平均值或者一个和，那么你会得到NaN …
另一方面，不能用None作为操作数来进行math运算。
因此，根据具体情况，可以使用None作为一种方法来告诉algorithm不要在计算时考虑无效或不存在的值。 这意味着algorithm应该testing每个值，看它是否为None 。
Numpy有一些函数可以避免NaN值污染你的结果，比如nansum和nan_to_num 。
函数isnan()检查是否是“不是一个数字”，并将返回一个variables是否是一个数字，例如isnan(2)将返回false
条件myVar is not None返回是否定义variables
你的numpy数组使用isnan()因为它是一个数组的数组，它初始化数组的所有元素为NaN这些元素被认为是“空的”
NaN支持不是一个数字 。
None可以代表任何人 。
