想知道Python怎么判断NaN？这可不是个小问题！NaN，Not a Number，在数据分析中简直是个磨人的小妖精。不小心处理，轻则结果出错，重则程序崩溃。别怕，我来手把手教你，保证看完能轻松搞定！

首先，最常见的Python判断NaN方法，绝对是 math.isnan() 函数。这玩意儿简单粗暴，直接判断一个值是不是NaN。但要注意，math.isnan() 只能用于浮点数，如果传个整数进去，它会直接报错！

举个例子：

“`python
import math

x = float(‘nan’)
print(math.isnan(x)) # 输出 True

y = 10

print(math.isnan(y)) # 这样写会报错！TypeError: must be real number, not int

“`

看到了吧？这就是坑，得避开！那整数咋办？别慌，还有 NumPy！

NumPy 简直是数据分析的神器，它里面的 numpy.isnan() 函数就厉害了，既能处理浮点数，也能处理整数，甚至还能处理数组！而且，NumPy 对 NaN 的处理更宽容，它会把一些特殊的值，比如正无穷、负无穷，都当成 NaN 来处理。

“`python
import numpy as np

x = np.nan
print(np.isnan(x)) # 输出 True

y = 10
print(np.isnan(y)) # 输出 False

z = np.array([1, np.nan, 3, np.inf])
print(np.isnan(z)) # 输出 [False True False False]
“`

你看，NumPy 多么强大！它返回的是一个布尔数组，告诉你哪些元素是 NaN。

但是，NumPy 的 isnan() 函数也有个坑，那就是它不能直接用于 Pandas DataFrame 中的对象类型列。如果你 DataFrame 里有一列存的是字符串，里面可能有 “NaN” 这样的字符串，用 np.isnan() 是判断不出来的。

“`python
import pandas as pd

df = pd.DataFrame({‘col1’: [‘a’, ‘NaN’, ‘c’]})

print(np.isnan(df[‘col1’])) # 这样写会报错！TypeError: ufunc ‘isnan’ not supported for the input types, and the inputs could not be safely coerced to any supported types according to the casting rule ”safe”

“`

这时候，就需要 Pandas 自己的 isna() 或 isnull() 函数了。这两个函数是等价的，专门用于判断 DataFrame 或 Series 中的 NaN 值。它们能处理各种数据类型，包括对象类型。

“`python
import pandas as pd

df = pd.DataFrame({‘col1’: [‘a’, ‘NaN’, ‘c’, np.nan]})
print(df[‘col1’].isna())

输出：

0 False

1 False

2 False

3 True

Name: col1, dtype: bool

“`

注意看，只有真正的 np.nan 才会被判断为 True，字符串 “NaN” 是 False。

所以，Python怎么判断NaN，总结一下：

• 如果只是简单的浮点数判断，用 math.isnan()。
• 如果需要处理数组或更复杂的数据结构，用 numpy.isnan()。
• 如果处理 Pandas DataFrame 或 Series，用 isna() 或 isnull()。

当然，还有一些奇技淫巧可以判断NaN。比如，NaN 有个特性，就是它不等于自身。所以，你可以用 x != x 来判断一个值是不是 NaN。

python
x = float('nan')
print(x != x) # 输出 True

这种方法虽然巧妙，但可读性不太好，不推荐在正式代码中使用。

还有一种情况，就是你的数据里可能不是标准的 NaN，而是用其他值来表示缺失值，比如 -999、空字符串等等。这时候，你需要先将这些值替换成标准的 NaN，然后再用上面的方法来判断。

“`python
import pandas as pd
import numpy as np

df = pd.DataFrame({‘col1’: [1, -999, 3, ”]})
df[‘col1’] = df[‘col1’].replace([-999, ”], np.nan)
print(df[‘col1’].isna())

输出：

0 False

1 True

2 False

3 True

Name: col1, dtype: bool

“`

你看，先把 -999 和空字符串替换成 np.nan，然后再用 isna() 函数判断，就万无一失了！

总而言之，Python怎么判断NaN，没有一个绝对的答案，需要根据具体情况选择合适的方法。但记住，一定要小心，不要掉进坑里！希望这些技巧能帮你在数据分析的路上少走弯路，一路顺风！毕竟，数据分析，细节决定成败嘛！ NaN 处理不好，再漂亮的模型也是空中楼阁！