pandas基于numpy，所以其中的空值nan和numpy.nan是等價的。numpy中的nan并不是空對象，其實際上是numpy.float64對象，所以我們不能誤認為其是空對象，從而用bool(np.nan)去判斷是否為空值，這是不對的。
對于pandas中的空值，我們該如何判斷，并且有哪些我們容易掉進去的陷阱，即不能用怎么樣的方式去判斷呢？
可以判斷pandas中單個空值對象的方式：
1、利用pd.isnull(),pd.isna();
2、利用np.isnan();
3、利用is表達式；
4、利用in表達式。
不可以用來判斷pandas單個空值對象的方式：
1、不可直接用==表達式判斷；
2、不可直接用bool表達式判斷；
3、不可直接用if語句判斷。
示例：
import pandas as pd
import numpy as np
na=np.nan
# 可以用來判斷空值的方式
pd.isnull(na) # True
pd.isna(na) # True
np.isnan(na) # True
na is np.nan # True
na in [np.nan] # True
# 不可以直接用來判斷的方式，即以下結果和我們預期不一樣
na == np.nan # False
bool(na) # True
if na:
print('na is not null') # Output: na is not null
# 不可以直接用python內置函數any和all
any([na]) # True
all([na]) #True
總結
numpy.nan是一個numpy.float64的非空對象，所以不能直接用bool表達式去判斷，故一切依賴于布爾表達式的判斷方式都不行，比如if語句。
對于pandas中空值的判斷，我們只能通過pandas或者numpy的函數和is表達式去判斷，不能用python的內置函數any或all判斷。
比較奇怪的一點是pandas中空值的判斷可以用is表達式判斷，但是不能用==表達式判斷。我們知道，對于is表達式，如果返回True，表示這兩個引用指向的是同一個內存對象，即內存地址是一樣的，一般同一個對象的不同引用的值也應該是相等的，所以一般is表達式為True，那么==表達式也為True。
但是對于numpy.nan對象顯然不是這樣的，因為其可以用is表達式判斷，即當is表達式為True時，但==表達式為False，這說明雖然不同numpy.nan變量引用指向的是同一個內存地址，但是其具有自己的值屬性，值是不一樣的，所以不能用==來判斷，這點需要注意。
補充：Pandas+Numpy 數據中空值的處理操作：判斷、查找、填充及刪除
本文整理了數據中空值的處理操作，主要內容如下：
為了便于描述，定義本文示例數據為如下結構：
df = pd.DataFrame([[1, np.nan], [np.nan, 4], [5,6],[np.nan,7]],columns=["A","B"])
df #定義示例數據df
判斷數據中是否有空值
pandas isnull()函數
df.isnull() #返回df中各元素是否為空的同df大小的數據框
df["A"].isnull() #判斷A列中空值情況
df[["A","B"]].isnull() # 指定多列進行空值判斷，對于本文實例，下述代碼效果同df.isnull()
pandas notnull()函數
df.notnull() #判斷df中各元素是否 不是 空值
df["A"].isnull() #判斷A列中非空值情況
df[["A","B"]].isnull() # 指定多列進行非空值判斷，對于本文實例，下述代碼效果同df.notnull()
numpy np.isnan() 函數
np.isnan(df) # 等同于df.isnull()
np.isnan(df["A"]) # 等同于 df["A"].isnull()
np.isnan(df[["A","B"]]) # 等同于 df[["A","B"]].isnull()
統計空值/非空值數量
df.isnull().sum() # 統計每列的空值數量
df.notnull().sum() # 統計每列的非空值數量
df["A"].count() # A列 非空數量
df.count() # 統計所有列的非空值數量
df.count(axis=1) # 每行非空值數量，axis=1
df["A"].sum() # A列 元素數值之和
根據空值篩選數據
# 篩選出A列為空的所有行
df[df.A.isnull()]
df[df["A"].isnull()]
# 篩選出A列非空的所有行
df[df.A.notnull()]
df[df["A"].notnull()]
# 篩選出df中存在空值的行
df[df.isnull().values==True]
查找空值索引
np.where(np.isnan(df)) # df中空值所在的行索引及列索引
np.where(np.isnan(df.A)) # df中A列空值所在的行索引
刪除空值 dropna()函數
df.dropna() # 刪除存在空值的行，默認axis=0按行，how=any每行存在一個空值就執行刪除行操作
df.dropna(axis=1) # 刪除存在空值的列
df.dropna(how="all") # 刪除所有列都為空值的特定行
df.dropna(how = "any") # 刪除存在空值的行
# 對特定列空值進行刪除
df.dropna(how="any",subset=["A"]) # 刪除A列中存在空值的行
df.dropna(how="any",subset=["A","B"]) # 刪除A,B列中只要有一列存在空值的行
#將刪除操作作用于原數據，修改替換原數據
df.dropna(how="all",subset=["A","B"],inplace=True) # 刪除A,B列都為空值的行,并替換原數據
填充空值fillna()函數
# 用指定的數字來填充
df.fillna(0) # 用0來填充df中的空值
# 用指定的函數統計值來填充
df.fillna(df.mean()) # 用df中數據的平均值來填充空值
df.fillna(df.mean()["A"]) #指定用A列數據均值來填充df中空值
df.fillna(df.sum()) # 用df中數據的和來填充空值
# 用字典來填充
values = {'A': 0, 'B': 1} # A列空值用0填充，B列空值用1填充
df.fillna(value=values)
# 用指定字符串來填充空值
df.fillna("unkown")
# 不同的填充方式{‘backfill', ‘bfill', ‘pad', ‘ffill', None}
# 每列的空值，用其列下方非空數值填充
df.fillna(method="backfill")
df.fillna(method="bfill") # 同backfill
# 每列的空值，用其所在列上方非空數值填充，若上方沒有元素，保持空值
df.fillna(method="ffill")
df.fillna(method="pad") # 同 ffill
#limit參數設置填充空值的最大個數
df.fillna(0,limit=1) # 每列最多填充1個空值，超過范圍的空值依然為空
#inplace參數空值是否修改原數據df
df.fillna(0,inplace=True) # inplace為true，將修改作用于原數據
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- python中pandas.DataFrame對行與列求和及添加新行與列示例
- python 使用pandas計算累積求和的方法
- Python學習筆記之pandas索引列、過濾、分組、求和功能示例
- python pandas消除空值和空格以及 Nan數據替換方法
- Python pandas.DataFrame 找出有空值的行
- python解決pandas處理缺失值為空字符串的問題
- pandas 缺失值與空值處理的實現方法
- pandas 添加空列并賦空值案例
- Python pandas之求和運算和非空值個數統計
