h5 nan_数据清洗中的深坑：NULL、NaN、None和空字符，都是什么东西？

上一篇文章，老海分享了关于Pyhon类和对象的白话理解

本篇我想分享一下 空值：None、NULL 与 空字符： “” 的区别和联系

具体的实验环境为Python3.7、mysql8.0、Excel2016

为什么需要搞清楚None、NULL和空字符“”？

其实，无论作为数据分析、数据科学工作者，还是日常职场人士处理数据时

我们经常需要将数据在Python、SQL数据库、CSV/EXCEL文件之间来回导出导入

而数据天生就是混乱的，复杂的，总是伴随着异常值和特殊值。

所以出现这三个特殊值的情况，在所难免，有时甚至同时出现在同一组数据当中。

加之三者在不同环境下比如python、mysql、excel中，理解角度和设计逻辑各有不同，

往往会造成这些数据，在数据处理中前后不一致、各种奇怪BUG报错发生。

因此对于它们，我们处理时一定要特别小心，尽量避免后续数据存储和计算出现麻烦！

下面老海从三个角度来解释一下：

一张图看透，None、NULL、空字符在Python、SQL、EXCEL中的整体规则

具体规则见下图：

一张图直观解释

网上关于它们的解释说法很多，说实话有些眼花缭乱了。

我自己整理一个简化的表格，这样看起来直观多了。

注意三点：

• pandas中时间型数据的空值，显示为NaT，含义与NaN相同
• Exel中的空值表示，就是空，没有什么特别字符来表达
• NULL只出现在数据库数据中，Python中没有这个东西！

下面我们通过具体的数据案例来实验一下：

从excel、mysql数据库对比来看

我们先看一下None、NULL和空字符“”在Excel与数据库之间切换时是如何变化的

首先在excel中原始数据如下：

存储在xlsx中，excel2016版本

其中，性别字段包括了一个空字符、一个空值；年龄字段包括了一个空字符、一个空值

其次，将excel数据导入到mysql中

可以发现excel中的空值，在数据库中显示Null

而空字符显示为空白，空数值显示为0(与数据库设置有关)

然后，我们把从数据库导出数据到CSV中

我们可以发现从数据库到CSV中，NULL显示为空，其他没有变化

加入Python、pandas后再来看一下

首先，看看Python中空值表达

None、NaN、空字符“”，它们看似都是表达空值含义，而实际上它们都有各自不同的数据类型

None是一个空值，即空对象，它Python里一个特殊的值

None不能理解为0，因为0是有意义的；而None是一个特殊的空值，None不是空字符串。

而NaN，是pandas和numpy的专属类型，属于浮点型数据，代表缺失值

而“”，是空字符的表示。

再次，Python中没有看到NULL

事实是，null 和 NULL 表示数据库中的空值， python中不存在它们这个对象！

可能很多资料把NULL也写进了Python解释说明中，这个就真的有些说不过去了

如果直接将xlsx文件读取到pandas中

我们发现excel中的空值和空字符，都转为了NaN缺失值的表达！注意此时并没有出现None空值对象

如果从pandas导出到xlsx文件中

我们可以看出pandas中的NaN，在excel中显示为空，没有任何内容。

那Python中数据转为pandas会发生什么？

Python中的None被转为numpy中的NaN了，不再以None显示

Python中的空字符“”，转为pandas后统一显示为 ''

将数据库中导出CSV，读取到pandas后会怎样？

数据库中的空值和空字符，均显示为NaN

直连数据库，读取到python后会怎样？

数据库中NULL，全部在pandas中显示为None；而空字符没有变化还是"

那pandas对数据库读取的数据有怎么样的转化规则？

pandas会将数据库中数值型字段中的None转为NaN，但是其他类型字段会保留None

同时pandas在进行count计算是，不计算None和NaN，但计算空字符"

而进行sum计算时，会同时排除掉NaN和None。

pandas中如何判断空值类型，又如何转化None和NaN呢？

一般我们可以借助，isnull()和isna()来直接进行判断，它们会将None和NaN都识别为空值含义。

而pandas中很多函数并不支持None的运算，因为尽量将None转换为NaN。

OK，折腾了半天，实验就到这里了，总体来说，区别它们还是很费心力的，而且还有很多复杂的情况存在，以及个别特殊情况的需要处理。这里老海就不在一一展开了。

总之，在实际使用中，老海建议遵守三个法则，来保证特殊值一致性

法则1：在导取数据后，我们第一时间把空字符替换为None、NaN或者NULL

法则2：在使用pandas或者numpy时，我们将None统一替换为NaN

法则3：在数据导入数据库时，我们将NaN统一替换为None

以上法则，也是根据日常处理特殊值经验而来，不一定适用于所有情况，优点是简单直接便于记忆，也可尽量避免后期出现数据转换带来的困扰。

OK，今天就到这里。喜欢老海的分享，请关注留言和转发，我是数据炼金师，老海