最近在做資料處理的時候，遇到個讓我欲仙欲死的問題，那就是資料中的空值該如何獲取。

我的目的本來是獲取資料中的所有非零且非空值，然後再計算獲得到的所有資料計算均值，再用均值把0和空值填上。這個操作讓我意識到了i is None/np.isnan(i)/i.isnull()之間的差別，再此做簡單介紹：

1.關於np.nan：

先明確一個問題，即空值的產生只有np.nan()一種方法。

# np.nan()的一些奇妙性質：

np.nan == np.nan
>>> False

np.isnan(np.nan)
>>> True

np.nan is None
>>> False

type(np.nan)
>>> float
 

總結一下：

• np.nan不是一個“空”物件，用 i is None判斷是False；
• 對某個值是否為空值進行判斷，只能用np.isnan(i)函式，萬萬不可用 i == np.nan()來做，否則你會死的很慘的，因為空值並不能用判斷相等的“==”正確識別（上例前兩條）；
• np.nan非空物件，其型別為基本資料型別float（是不是很神奇，我也不知道為什麼要這樣設計）

2.np.isnan()和pd.isnull()何時使用：

# 首先建立一個DataFrame：
bb = pd.DataFrame({'a':[0,1,2,np.nan]})
bb

>>>     a
    0	0.0
    1	1.0
    2	2.0
    3	NaN

# 先測試一下np.isnan()
np.isnan(bb)
>>>     a
    0	False
    1	False
    2	False
    3	True
# 值得一提的是，如果想獲悉整個DataFrame有無空值，可以在此基礎上這樣做：

np.isnan(bb).all()
>>> a    False
    dtype: bool          # 這行是指返回值的dtype

# 再測試一下isnull()
pd.isnull(bb)
>>>     a
    0	False
    1	False
    2	False
    3	True
 

由上可見，其實np.isnan()和pd.isnull()都可以對不論是DataFrame、Python list還是僅僅一個數值進行空值檢測。但一般在實際應用中，np.isnan()多用於單個值的檢驗，pd.isnull()用於對一個DataFrame或Series（整體）的檢驗。

此外，根據pandas官方文件和原始碼，pandas提供的另一個函式pd.isna()與pd.isnull()完全一樣。

上面提到的any()/all()函式，請見pandas文件：

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.all.html#pandas.DataFrame.all

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.any.html#pandas.DataFrame.any

其他與空值檢測或刪除相關的函式還有：notna()、fillna()、dropna()等等。實戰中應靈活使用。