我正在使用 pandas 读取 csv 文件的两列，readcsv()然后将值分配给字典。这些列包含数字和字母的字符串。偶尔会出现单元格为空的情况。在我看来，读取到该字典条目的值应该是分配的None，而不是nan分配的。当然None更能描述空单元格，因为它有一个空值，而nan只是说读取的值不是数字。
None我的理解是否正确，和有什么区别nan？为什么nan分配而不是None？
此外，我的字典检查是否有任何空单元格一直在使用numpy.isnan()：
for k, v in my_dict.iteritems():
if np.isnan(v):
但这给了我一个错误，说我不能将此检查用于v. 我猜这是因为要使用整数或浮点变量，而不是字符串。如果这是真的，我该如何检查v“空单元格”/nan案例？
在 pandas 中， NaN 始终用作缺失数据的占位符，一致性很好。我通常将 NaN 读/翻译为"missing"。另请参阅文档中的“处理缺失数据”部分。
Wes 在文档“选择 NA 表示”中写道：
经过多年的生产使用 [NaN] 已经证明，至少在我看来，考虑到 NumPy 和 Python 的总体情况，它是最好的决定。特殊值 NaN（非数字）在任何地方都
isnull用作 NA 值，并且有 API 函数notnull可以跨 dtypes 使用来检测 NA 值。
...
因此，我选择了 Python 的“实用性胜过纯度”方法，并用整数 NA 功能换取了一种更简单的方法，即在浮点数和对象数组中使用特殊值来表示 NA，并在必须使用 NA 时将整数数组提升为浮点数介绍了。
在我看来，使用 NaN (over None) 的主要原因是它可以使用 numpy 的 float64 dtype 存储，而不是效率较低的 object dtype，请参阅NA type Promotions 。
# without forcing dtype it changes None to NaN!
s_bad = pd.Series([1, None], dtype=object)
s_good = pd.Series([1, np.nan])
In [13]: s_bad.dtype
Out[13]: dtype('O')
In [14]: s_good.dtype
Out[14]: dtype('float64')
杰夫对此发表评论（如下）：
np.nan允许矢量化操作；它是一个浮点值，而None根据定义，它强制对象类型，这基本上会禁用 numpy 中的所有效率。所以快速重复 3 次：object==bad，float==good
话虽如此，许多操作仍然可以与 None 与 NaN 一样工作（但可能不受支持，即它们有时可能会产生令人惊讶的结果）：
In [15]: s_bad.sum()
Out[15]: 1
In [16]: s_good.sum()
Out[16]: 1.0
要回答第二个问题：
您应该使用pd.isnullandpd.notnull来测试缺失数据 (NaN)。
NaN可以用作数学运算的数值，而None不能（或至少不应该）。
NaN是一个数值，如IEEE 754 浮点标准中所定义。
None是一个内部 Python 类型 ( NoneType)，在这种情况下，它更像是“不存在”或“空”而不是“数值无效”。
其主要“症状”是，如果您对包含 NaN 的数组（即使是单个数组）执行平均或求和，结果也会得到 NaN ......
另一方面，您不能使用Noneas 操作数执行数学运算。
因此，根据具体情况，您可以使用None一种方式告诉您的算法不要在计算中考虑无效或不存在的值。这意味着算法应该测试每个值以查看它是否为None.
Numpy 有一些功能可以避免 NaN 值污染您的结果，nansum例如nan_to_num。
该函数isnan()检查某事物是否为“非数字”，并将返回变量是否为数字，例如isnan(2)返回 false
条件myVar is not None返回变量是否定义
您使用 numpy 数组isnan()是因为它旨在成为一个数字数组，并且它将数组的所有元素初始化为NaN这些元素被认为是“空的”
以下是不同之处：
nan属于类floatNone属于类NoneType我发现以下文章非常有帮助： https ://medium.com/analytics-vidhya/dealing-with-missing-values-nan-and-none-in-python-6fc9b8fb4f31