为什么熊猫使用 numpy 中的“NaN”，而不是它自己的空值？

Question

这是一个比较宽泛的话题，但我将尝试将其缩减为一些具体问题。

在开始回答关于 SO 的问题时，我发现自己在制作玩具数据时有时会遇到这样的愚蠢错误：

In[0]:

import pandas as pd

df = pd.DataFrame({"values":[1,2,3,4,5,6,7,8,9]})
df[df < 5] = np.nan

Out[0]:
NameError: name 'np' is not defined

我很用来自动导入numpy使用pandas，这并不通常发生在实际的代码。但是，它确实让我想知道为什么pandas没有自己的值/对象来表示空值。

我最近才意识到你可以使用 PythonNone代替类似的情况：

import pandas as pd

df = pd.DataFrame({"values":[1,2,3,4,5,6,7,8,9]})
df[df < 5] = None

它按预期工作并且不会产生错误。但是我觉得我看到的 SO 的约定是使用np.nan，人们np.nan在讨论空值时通常会提到这个约定（这也许是我没有意识到None可以使用的原因，但也许那是我自己的特质） .

简要地研究一下，我现在看到它自 1.0.0 以来pandas 确实具有pandas.NA价值，但我从未见过有人在帖子中使用它：

In[0]:

import pandas as pd
import numpy as np

df = pd.DataFrame({'values':np.random.rand(20,)})
df['above'] = df['values']
df['below'] = df['values']
df['above'][df['values']>0.7] = np.nan
df['below'][df['values']<0.3] = pd.NA

df['names'] = ['a','b','c','a','b','c','a','b','c','a']*2
df.loc[df['names']=='a','names'] = pd.NA
df.loc[df['names']=='b','names'] = np.nan
df.loc[df['names']=='c','names'] = None
df

Out[0]:
      values     above     below names
0   0.323531  0.323531  0.323531  <NA>
1   0.690383  0.690383  0.690383   NaN
2   0.692371  0.692371  0.692371  None
3   0.259712  0.259712       NaN  <NA>
4   0.473505  0.473505  0.473505   NaN
5   0.907751       NaN  0.907751  None
6   0.642596  0.642596  0.642596  <NA>
7   0.229420  0.229420       NaN   NaN
8   0.576324  0.576324  0.576324  None
9   0.823715       NaN  0.823715  <NA>
10  0.210176  0.210176       NaN  <NA>
11  0.629563  0.629563  0.629563   NaN
12  0.481969  0.481969  0.481969  None
13  0.400318  0.400318  0.400318  <NA>
14  0.582735  0.582735  0.582735   NaN
15  0.743162       NaN  0.743162  None
16  0.134903  0.134903       NaN  <NA>
17  0.386366  0.386366  0.386366   NaN
18  0.313160  0.313160  0.313160  None
19  0.695956  0.695956  0.695956  <NA>

因此，对于数值来说，这些不同的空值之间的区别似乎并不重要，但是对于字符串（或许对于其他数据类型？），它们的表示方式不同。

我的问题基于上述：

• 使用np.nan（而不是None）来表示 中的空值是惯例pandas吗？
• 为什么在pandas其生命周期的大部分时间（直到去年）都没有自己的空值？添加的动机是什么？
• 如果在一Series列或一列中可以有多种类型的缺失值，它们之间有什么区别吗？为什么它们的表示方式不同（与数字数据一样）？

我完全预料到我可能对事物有缺陷的解释之间的区别pandas和numpy，所以请大家指正。

Answer 1

换句话说，pandas的pandasnumpy一个主要依赖项是构建在 numpy 之上的。由于 pandas 继承并使用了许多 numpy 方法，因此保持事物一致是有意义的，即缺失的数值数据用 表示np.NaN。

（这种基于 n​​umpy 构建的选择也会对其他事情产生影响。例如，日期和时间操作是基于np.timedelta64和np.datetime64dtypes 构建的，而不是标准datetime模块。）

你可能不知道的一件事是，它numpy一直伴随着pandas

import pandas as pd
pd.np?
pd.np.nan

尽管您可能认为这种行为可能会更好，因为您不导入 numpy，但不鼓励这样做，并且在不久的将来将被弃用，转而直接导入numpy

FutureWarning：pandas.np 模块已弃用，并将在未来版本中从 pandas 中删除。直接导入numpy即可

在 pandas 中使用np.nan(而不是None) 来表示空值是否很传统？

如果数据是数字，那么是的，您应该使用np.NaN. None要求 dtype 为，Object对于 pandas，您希望将数字数据存储在数字 dtype 中。pandas通常会在创建或导入时强制转换为正确的空类型，以便它可以使用正确的dtype

pd.Series([1, None])
#0    1.0
#1    NaN        <- None became NaN so it can have dtype: float64
#dtype: float64

为什么 pandas 在其生命周期的大部分时间（直到去年）都没有自己的 null 值？添加的动机是什么？

pandas没有自己的空值，因为它通过了np.NaN，这适用于大多数情况。然而，由于pandas丢失数据的情况很常见，因此文档的整个部分都专门讨论这一点。NaN作为浮点数，不适合整数容器，这意味着任何缺少数据的数字系列都会向上转换为float。由于浮点数学，这可能会成为问题，并且某些整数无法用浮点数完美表示。因此，任何连接都merges可能失败。

# Gets upcast to float
pd.Series([1,2,np.NaN])
#0    1.0
#1    2.0
#2    NaN
#dtype: float64

# Can safely do merges/joins/math because things are still Int
pd.Series([1,2,np.NaN]).astype('Int64')
#0       1
#1       2
#2    <NA>
#dtype: Int64