Python: 如何檢查NaN（Not a Number）? 為什麼 np.nan == np.nan 返回 False? numpy.isnan() ; pandas.isna() ; pandas.isnull() ; np.isnan() 只能處理數值型資料(np.nan) ; pd.isna() , pd.isnull() 除了np.nan以外,還可以處理None, pd.DataFrame, pd.Series

在 Python 中，特別是在處理由 pandas 和 numpy 庫中的數據時，對 NaN（Not a Number）的比較行為需要格外注意。NaN 是一個特殊的浮點數，用來表示未定義或不可表示的值。根據 IEEE 浮點數標準，NaN 不等於任何其他數值，包括它自己。這就是為什麽任何直接比較 NaN 的操作，如 np.nan == np.nan，總是返回 False。

正確的檢查 NaN 的方法
要正確檢查一個值是否為 NaN，你應該使用 numpy 提供的 np.isnan() 函數，而不是使用普通的比較操作符 ==。np.isnan() 能夠正確識別 NaN 值。

為什麽要使用 np.isnan()
使用 np.isnan() 是必要的，因為這是一個專門設計來處理 IEEE 浮點數標準中的 NaN 值的函數。直接使用 == 操作符無法正確處理 NaN，因為 NaN 與任何值（包括其自身）的比較都會返回 False。

總結
總之，當需要檢查一個值是否為 NaN 時，避免使用 == 操作符，而應該使用 np.isnan()。這適用於處理從 pandas.read_excel() 讀取的數據，或任何可能包含 NaN 的數值數據。這樣的處理確保了數據的正確處理，同時也保持了代碼的清晰和易於維護。

np.isnan(), pd.isna(), 和 pd.isnull() 這三個函數在檢測數據中的 NaN 值時效果基本相同，但它們各自適用於不同的情境和數據類型。

np.isnan()
np.isnan() 函數是 numpy 庫提供的，主要用於檢測 numpy 數組中的 NaN 值。它適用於 numpy 數組和基於 numpy 的數據結構(np.array)

pd.isna() 和 pd.isnull()
pd.isna() 和 pd.isnull() 是 pandas 庫提供的函數，功能完全相同。它們可以檢測 pandas 數據結構中的 NaN 值，包括 Series, DataFrame, 以及 Index。這兩個函數不僅可以處理數值型 NaN，還可以處理其他類型的缺失數據，如 None 或 pd.NaT（針對時間類型的缺失值）。

這兩個函數的優勢在於它們能處理更廣泛的數據類型，不僅限於數值型數據。

總結
雖然三個函數在檢測 np.nan 時效果相同，但它們的使用依賴於具體的數據類型和環境：

np.isnan()：最好用於純數值的 numpy 數組。
pd.isna() / pd.isnull()：適合用在 pandas 數據結構中，可以更全面地處理各種類型的缺失數據。
一般情況下，如果你在處理 pandas 數據（如 Series 或 DataFrame），使用 pd.isna() 或 pd.isnull() 更加方便和直觀。如果處理的是 numpy 數組，那麽使用 np.isnan() 更為合適。在 pandas 中，pd.isna() 和 pd.isnull() 是可以互換的，選擇哪一個主要取決於個人編碼習慣。

np.isnan()
np.isnan() 是 numpy 庫提供的函數，它主要用於檢測數值型數據中的 NaN 值(np.na)。這個函數只適用於能夠表示為浮點數的數據類型，因此主要針對 numpy 數組中的數值類型元素。它無法處理包含非數值類型（如字符串或對象）的數組或 pandas 數據結構中的 None 類型，也不能直接應用於整個 pandas 數據結構（如 DataFrame 或 Series）。

嘗試對包含 None 或非數值數據的 numpy 數組使用 np.isnan() 會引發錯誤。

pd.isna() 和 pd.isnull()
pd.isna() 和 pd.isnull() 是 pandas 提供的函數，它們完全等效，可以用於檢測 pandas 數據結構（如 DataFrame 和 Series）中的所有類型的缺失值，包括 NaN, None, 和 pd.NaT（針對時間類型的缺失值）。這些函數的優勢在於它們對 pandas 的數據類型有更好的支持和兼容性。

與 np.isnan() 不同，pd.isna(None) 和 pd.isnull(None) 都能正確返回 True。這表明 pandas 的這兩個函數設計得更為通用，它們不僅可以處理數值型的 NaN，還能處理 None 這樣的 Python 原生空值。這使得它們在數據分析和數據清洗過程中尤為有用，因為在實際數據中經常會遇到各種形式的缺失值。

pd.isnull()

可以看到，pd.isna() 和 pd.isnull() 能夠處理 DataFrame 中的各種類型的缺失數據，包括 None 和特殊的時間類型缺失值 pd.NaT。

總結
因此，當處理 pandas 數據結構時，推薦使用 pd.isna() 或 pd.isnull()，因為它們能夠處理各種數據類型的缺失值。而 np.isnan() 更適用於純數值的 numpy 數組中檢測 NaN 值。使用時需要注意數據類型和函數的兼容性。

推薦hahow線上學習python: https://igrape.net/30afN