- 在pandas中, 如果其他的数据都是数值类型, pandas会把None自动替换成NaN, 甚至能将
s[s.isnull()]= None
,和s.replace(NaN, None)
操作的效果无效化。 这时需要用where函数才能进行替换s.where(s.notnull(), None)。 - None能够直接被导入数据库作为空值处理, 包含NaN的数据导入时会报错。
- numpy和pandas的很多函数能处理NaN,但是如果遇到None就会报错。
- None和NaN都不能被pandas的groupby函数处理,包含None或者NaN的组都会被忽略。
- np.nan是一个float类型的数据, None是一个NoneType类型
等值性比较的总结:(True表示被判定为相等)
None对None | NaN对NaN | None对NaN | |
---|---|---|---|
单值 | True | False | False |
tuple(整体) | True | True | False |
np.array(逐个) | True | False | False |
Series(逐个) | False | False | False |
assert_equals | True | True | False |
Series.equals | True | True | True |
merge | True | True | True |
由于等值性比较方面,None和NaN在各场景下表现不太一致,相对来说None表现的更稳定。
为了不给自己惹不必要的麻烦和额外的记忆负担。 实践中,建议遵循以下三个原则即可
- 在用pandas和numpy处理数据阶段将None,NaN统一处理成NaN,以便支持更多的函数。
- 如果要判断Series,numpy.array整体的等值性,用专门的Series.equals,numpy.array函数去处理,不要自己用
==
判断 * - 如果要将数据导入数据库,将NaN替换成None