本文详细对比了Python原生的None和pandas、numpy中的NaN在不同场景下的差异。包括数据类型、作为dict的key、在Series函数中的表现、对函数的支持、对容器数据类型的影响、等值性判断、在groupby中的表现以及写入数据库等方面，最后给出了实践中的处理建议。
原文链接：https://junjiecai.github.io/posts/2016/Oct/20/none_vs_nan/
建议从这里下载这篇文章对应的.ipynb文件和相关资源。这样你就能在Jupyter中边阅读，边测试文中的代码。
python原生的None和pandas, numpy中的numpy.NaN尽管在功能上都是用来标示空缺数据。但它们的行为在很多场景下确有一些相当大的差异。由于不熟悉这些差异，曾经给我的工作带来过不少麻烦。 特此整理了一份详细的实验，比较None和NaN在不同场景下的差异。
实验的结果有些在意料之内，有些则让我大跌眼镜。希望读者看过此文后会None和NaN这对“小妖精”有更深的理解。
为了理解本文的内容,希望本文的读者需要对pandas的Series使用有一定的经验。
首先，导入所需的库
from numpy import NaN from pandas import Series, DataFrame import numpy as np
数据类型?
None是一个python特殊的数据类型， 但是NaN却是用一个特殊的float
type(None)
NoneType
type(NaN)
float
能作为dict的key?
{None:1}
{None: 1}
{NaN:1}
{nan: 1}
{None:1, NaN:2}
{nan: 2, None: 1}
都可以，而且会被认为是不同的key
Series函数中的表现
Series.map
s = Series([None, NaN, 'a']) s
0 None 1 NaN 2 a dtype: object
s.map({None:1,'a':'a'})
0 1 1 1 2 a dtype: object
可以看到None和NaN都会替换成了1
s.map({NaN:1,'a':'a'})
0 1 1 1 2 a dtype: object
同样None和NaN都会替换成了1
s.map({NaN:2,'None':1,'a':'a'})
0 2 1 2 2 a dtype: object
将None替换成1的要求被忽略了
s.map({'None':1,NaN:2,'a':'a'})
0 2 1 2 2 a dtype: object
将NaN替换成1的要求被忽略了
总结: 用Series.map对None进行替换时,会“顺便”把NaN也一起替换掉；NaN也会顺便把None替换掉。
如果None和NaN分别定义了不同的映射数值，那么只有一个会生效。
Series.replace中的表现
s = Series([None, NaN, 'a']) s
0 None 1 NaN 2 a dtype: object
s.replace([NaN],9)
0 9 1 9 2 a dtype: object
s.replace([None],9)
0 9 1 9 2 a dtype: object
和Series.map的情况类似,指定了None的替换值后,NaN会被替换掉;反之亦然。
对函数的支持
numpy有不少函数可以自动处理NaN。
np.nansum([1,2,NaN])
3.0
但是None不能享受这些函数的便利，如果数据包含的None的话会报错
try:
np.nansum([1,2,None])
except Exception as e:
print(type(e),e)
unsupported operand type(s) for +: 'int' and 'NoneType'
pandas中也有不少函数支持NaN却不支持None。(毕竟pandas的底层是numpy)
import pandas as pd pd.cut(Series([NaN]),[1,2])
0 NaN dtype: category Categories (1, object): [(1, 2]]
import pandas as pd
try:
pd.cut(Series([None]),[1,2])
except Exception as e:
print(type(e),e)
unorderable types: int() > NoneType()
对容器数据类型的影响
混入numpy.array的影响
如果数据中含有None,会导致整个array的类型变成object。
np.array([1, None]).dtype
dtype('O')
而np.NaN尽管会将原本用int类型就能保存的数据转型成float，但不会带来上面这个问题。
np.array([1, NaN]).dtype
dtype('float64')
混入Series的影响
下面的结果估计大家能猜到
Series([1, NaN])
0 1.0 1 NaN dtype: float64
下面的这个就很意外的吧
Series([1, None])
0 1.0 1 NaN dtype: float64
pandas将None自动替换成了NaN！
Series([1.0, None])
0 1.0 1 NaN dtype: float64
却是Object类型的None被替换成了float类型的NaN。 这么设计可能是因为None无法参与numpy的大多数计算， 而pandas的底层又依赖于numpy，因此做了这样的自动转化。
不过如果本来Series就只能用object类型容纳的话， Series不会做这样的转化工作。
Series(['a', None])
0 a 1 None dtype: object
如果Series里面都是None的话也不会做这样的转化
Series([None,None])
0 None 1 None dtype: object
其它的数据类型是bool时，也不会做这样的转化。
Series([True, False, None])
0 True 1 False 2 None dtype: object
等值性判断
单值的等值性比较
下面的实验中None和NaN的表现会作为后面的等值性判断的基准(后文称为基准)
None == None
True
NaN == NaN
False
None == NaN
False
在tuple中的情况
这个不奇怪
(1, None) == (1, None)
True
这个也不意外
(1, None) == (1, NaN)
False
但是下面这个实验NaN的表现和基准不一致
(1, NaN) == (1, NaN)
True
在numpy.array中的情况
np.array([1,None]) == np.array([1,None])
array([ True, True], dtype=bool)
np.array([1,NaN]) == np.array([1,NaN])
array([ True, False], dtype=bool)
np.array([1,NaN]) == np.array([1,None])
array([ True, False], dtype=bool)
和基准的表现一致。
但是大部分情况我们希望上面例子中， 我们希望左右两边的array被判定成一致。这时可以用numpy.testing.assert_equal函数来处理。 注意这个函数的表现同assert， 不会返回True, False， 而是无反应或者raise Exception
np.testing.assert_equal(np.array([1,NaN]), np.array([1,NaN]))
它也可以处理两边都是None的情况
np.testing.assert_equal(np.array([1,None]), np.array([1,None]))
但是一边是None，一边是NaN时会被认为两边不一致, 导致AssertionError
try:
np.testing.assert_equal(np.array([1,NaN]), np.array([1,None]))
except Exception as e:
print(type(e),e)
Arrays are not equal (mismatch 50.0%) x: array([ 1., nan]) y: array([1, None], dtype=object)
在Series中的情况
下面两个实验中的表现和基准一致
Series([NaN,'a']) == Series([NaN,'a'])
0 False 1 True dtype: bool
Series([None,'a']) == Series([NaN,'a'])
0 False 1 True dtype: bool
但是None和基准的表现不一致。
Series([None,'a']) == Series([None,'a'])
0 False 1 True dtype: bool
和array类似，Series也有专门的函数equals用于判断两边的Series是否整体看相等
Series([None,'a']).equals(Series([NaN,'a']))
True
Series([None,'a']).equals(Series([None,'a']))
True
Series([NaN,'a']).equals(Series([NaN,'a']))
True
比numpy.testing.assert_equals更智能些， 三种情况下都能恰当的处理
在DataFrame merge中的表现
两边的None会被判为相同
a = DataFrame({'A':[None,'a']})
b = DataFrame({'A':[None,'a']})
a.merge(b,on='A', how = 'outer')
| A | |
|---|---|
| 0 | None |
| 1 | a |
两边的NaN会被判为相同
a = DataFrame({'A':[NaN,'a']})
b = DataFrame({'A':[NaN,'a']})
a.merge(b,on='A', how = 'outer')
| A | |
|---|---|
| 0 | NaN |
| 1 | a |
无论两边都是None,都是NaN，还是都有,相关的列都会被正确的匹配。 注意一边是None,一边是NaN的时候。会以左侧的结果为准。
a = DataFrame({'A':[None,'a']})
b = DataFrame({'A':[NaN,'a']})
a.merge(b,on='A', how = 'outer')
| A | |
|---|---|
| 0 | None |
| 1 | a |
a = DataFrame({'A':[NaN,'a']})
b = DataFrame({'A':[None,'a']})
a.merge(b,on='A', how = 'outer')
| A | |
|---|---|
| 0 | NaN |
| 1 | a |
注意
这和空值在postgresql等sql数据库中的表现不一样， 在数据库中， join时两边的空值会被判定为不同的数值
在groupby中的表现
d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']})
d.groupby(['A','B']).apply(len)
A B 1 a 2 2 b 1 dtype: int64
可以看到(1, NaN)对应的组直接被忽略了
d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']})
d.groupby(['A','B']).apply(len)
A B 1 a 2 2 b 1 dtype: int64
(1,None)的组也被直接忽略了
d = DataFrame({'A':[1,1,1,1,2],'B':[None,NaN,'a','a','b']})
d.groupby(['A','B']).apply(len)
A B 1 a 2 2 b 1 dtype: int64
那么上面这个结果应该没啥意外的
总结
DataFrame.groupby会忽略分组列中含有None或者NaN的记录
支持写入数据库?
往数据库中写入时NaN不可处理，需转换成None,否则会报错。这个这里就不演示了。
相信作为pandas老司机， 至少能想出两种替换方法。
s = Series([None,NaN,'a']) s
0 None 1 NaN 2 a dtype: object
方案１
s.replace([NaN],None)
0 None 1 None 2 a dtype: object
方案２
s[s.isnull()]=None s
0 None 1 None 2 a dtype: object
然而这么就觉得完事大吉的话就图样图森破了， 看下面的例子
s = Series([NaN,1]) s
0 NaN 1 1.0 dtype: float64
s.replace([NaN], None)
0 NaN 1 1.0 dtype: float64
s[s.isnull()] = None s
0 NaN 1 1.0 dtype: float64
当其他数据是int或float时,Series又一声不吭的自动把None替换成了NaN。
这时候可以使用第三种方法处理
s.where(s.notnull(), None)
0 None 1 1 dtype: object
where语句会遍历s中所有的元素，逐一检查条件表达式， 如果成立， 从原来的s取元素； 否则用None填充。 这回没有自动替换成NaN
None vs NaN要点总结
-
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。 -
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。
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
扫一扫
6345
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
