### Python 中判断值是否为 NaN 的方法 在数据分析过程中，经常需要检测数据集中是否存在缺失值（NaN）。Pandas 和 NumPy 都提供了多种工具来识别和处理这些特殊情况。以下是几种常见的方法及其适用场景： #### 1. **NumPy 的 `numpy.isnan()`** 当变量是浮点型 (`float`) 并且可能包含 `np.nan` 时，可以使用 `numpy.isnan()` 函数进行判断。需要注意的是，这种方法只适用于浮点类型的输入。 ```python import numpy as np value = np.nan is_nan = np.isnan(value) # 返回 True 如果 value 是 nan print(is_nan) # 输出: True ``` 此外，由于 `None` 不属于浮点类型，因此无法直接用 `numpy.isnan(None)` 进行判断[^1]。 #### 2. **Math 模块的 `math.isnan()`** 类似于 NumPy 的函数，标准库中的 `math.isnan()` 可以用来测试单个数值是否为 NaN。同样地，它也要求输入必须是浮点数。 ```python import math value = float('nan') is_nan = math.isnan(value) # 测试是否为 NaN print(is_nan) # 输出: True ``` 若尝试传入非浮点参数给 `math.isnan()` 将抛出 TypeError 异常[^4]。 #### 3. **Pandas 的 `pandas.isna()` / `pandas.isnull()`** 在 Pandas 库中，推荐使用通用的 `pd.isna()` 或同义词 `pd.isnull()` 来检查任何对象（包括但不限于 Series、DataFrame 单元格）是否为空值 (NaN/None)。这两个函数不仅支持标量还兼容数组或整个表格结构。 ```python import pandas as pd series = pd.Series([1, 2, None]) mask = pd.isna(series) # 创建布尔掩码指示哪些位置含有 NA/NAN print(mask) # 输出: # 0 False # 1 False # 2 True # dtype: bool ``` 特别指出，在某些情况下即使打印出来的结果看起来像普通的字符串 "nan" ，但如果它是来自 Pandas 处理后的产物，则仍需依赖上述专用函数而不是简单比较才能得到正确结论[^3]。 #### 综合考虑因素 - 对单一数值做判定前最好确认其数据类型； - 跨框架混合使用的场合下优先选用跨平台一致性的解决方案比如 Pandas 提供的相关 API； - 记住尽管表现形式相似但实际上 `None`, `np.nan`, IEEE754 定义下的 Not-a-Number 各自有着细微区别[^1]。 --- ###