python none null nan

在 Python 中，`None`是一个特殊的值，表示一个变量没有值或者为空。`None`是一个关键字，用于表示空对象或者未定义的变量。例如，一个函数如果没有返回值，则默认返回`None`。

`null`并不是 Python 中的一个关键字或者内置函数，而是在其他编程语言中常用来表示空对象。

`nan`是一个特殊的浮点数，表示“不是一个数字”（Not a Number）。当某些数学运算无法产生有意义的结果时，会返回`nan`。例如，0.0/0.0 的结果是`nan`。在 Python 中，可以使用`math.isnan()`函数来检查一个值是否是`nan`。

相关问题

python数组null

### Python 中数组处理 `None` 值的方法

在 Python 的不同数据结构中，处理 `None` 值的方式有所不同。对于列表（list），可以直接包含 `None` 作为元素；而对于 NumPy 数组，则有更多专门用于处理缺失值的功能。

#### 使用列表处理 `None`

当使用普通的 Python 列表时，`None` 可以被直接存储为元素之一：

msgs = [1, ',,,,,,', None, []]
print(msgs)

这段代码创建了一个包含不同类型对象的列表，其中包括一个 `None` 值[^3]。

#### 使用 NumPy 处理 `None`

NumPy 提供了更为强大的功能来处理缺失的数据。通常情况下，在转换成 NumPy 数组之前应该先清理掉这些 `None` 或者将其替换为特定标记如 NaN (Not a Number)，这可以通过 pandas 库更容易实现，但在纯 NumPy 下也可以操作:

import numpy as np

# 创建含有 None 的列表并尝试转化为 ndarray
data_with_none = np.asarray([1, None, 3])
mask = ~np.isnan(data_with_none.astype(float))
cleaned_data = data_with_none[mask]

print(cleaned_data)  # 输出不带 None 的数组

这里需要注意的是，由于 `None` 在浮点数上下文中会被视为 `NaN`，因此可以利用这一点来进行过滤。

另外一种常见做法是在构建 NumPy 数组前就移除所有的 `None` 值或替换成其他默认值：

def remove_nones(lst):
    return [item for item in lst if item is not None]

filtered_list = remove_nones([1, ',,,,,,', None, []])
array_without_none = np.array(filtered_list)

print(array_without_none)

这种方法更加直观易懂，并且适用于多种场景下的预处理工作。

python pandas drop nan

在Python的pandas库中，dropna()方法用于丢弃含有空值的行或列。通过调用dropna()方法，可以删除DataFrame中包含NaN值的行或列。

例如，使用numpy和pandas创建一个包含NaN值的DataFrame数据，然后使用dropna()方法删除含有NaN值的行或列。

首先，导入numpy和pandas库，并创建一个包含NaN值的DataFrame数据：

import numpy as np
import pandas as pd

a = np.ones((11, 10))
for i in range(len(a)):
    a[i, :i = np.nan

d = pd.DataFrame(data=a)
print(d)

输出结果如下所示：

     0    1    2    3    4    5    6    7    8    9
0   NaN  1.0  1.0  1.0  1.0  1.0  1.0  1.0  1.0  1.0
1   NaN  NaN  1.0  1.0  1.0  1.0  1.0  1.0  1.0  1.0
2   NaN  NaN  NaN  1.0  1.0  1.0  1.0  1.0  1.0  1.0
3   NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0  1.0  1.0
4   NaN  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0  1.0
5   NaN  NaN  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0
6   NaN  NaN  NaN  NaN  NaN  NaN  NaN  1.0  1.0  1.0
7   NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  1.0  1.0
8   NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  1.0
9   NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN
10  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN

然后，可以使用dropna()方法删除含有NaN值的行或列。默认情况下，dropna()方法删除含有任何NaN值的行。

d.dropna()

这将删除含有NaN值的行后的结果如下所示：

Empty DataFrame
Columns: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
Index: []

如果需要删除含有NaN值的列，可以通过设置参数axis=1来实现：

d.dropna(axis=1)

这将删除含有NaN值的列后的结果如下所示：

Empty DataFrame
Columns: []
Index: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

总之，使用dropna()方法可以在Python的pandas库中删除含有NaN值的行或列。通过设置参数axis=1，可以删除含有NaN值的列。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [Python-pandas的dropna()方法-丢弃含空值的行、列](https://blog.csdn.net/xiao_yi_xiao/article/details/123502982)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *3* [利用PythonPandas进行数据预处理-数据清洗](https://download.csdn.net/download/weixin_38722721/15448785)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]