上一篇
Python中的NaN是什么意思？完整解析与实例教程
Python中的NaN是什么意思？
全面解析Python中的NaN概念、应用场景及处理方法
什么是NaN？
NaN 是 "Not a Number"（非数字）的缩写，在Python中表示一个未定义或不可表示的数值结果。 NaN属于浮点数类型（float），用于表示那些无法用实数表示的值。
NaN通常出现在以下情况：数学运算未定义（如0/0）、与缺失数据相关的计算、无效的输入转换等。
NaN的特性
1. 类型特性
NaN在Python中是float类型：
import math print(type(math.nan)) # 输出: <class 'float'>
2. 传播特性
NaN参与的计算结果通常也是NaN：
result = 10 + math.nan print(result) # 输出: nan
3. 比较特性
NaN不等于任何值，包括它自己：
print(math.nan == math.nan) # 输出: False
创建NaN的方法
使用math模块
import math nan_value = math.nan print(nan_value) # 输出: nan
使用float函数
nan_value = float('nan')
print(nan_value) # 输出: nan
使用numpy库
import numpy as np nan_value = np.nan print(nan_value) # 输出: nan
检测NaN值
使用math.isnan()
import math
value = float('nan')
if math.isnan(value):
print("这是一个NaN值")
使用numpy.isnan()
import numpy as np arr = np.array([1.0, np.nan, 3.0]) print(np.isnan(arr)) # 输出: [False True False]
使用pandas.isna()
import pandas as pd s = pd.Series([1, 2, None, np.nan]) print(pd.isna(s)) # 输出: # 0 False # 1 False # 2 True # 3 True # dtype: bool
处理NaN值
删除NaN值
import numpy as np import pandas as pd data = pd.Series([1, np.nan, 3, np.nan, 5]) cleaned = data.dropna() print(cleaned) # 输出: # 0 1.0 # 2 3.0 # 4 5.0
填充NaN值
# 用0填充 filled_zero = data.fillna(0) # 用平均值填充 mean_val = data.mean() filled_mean = data.fillna(mean_val) # 前向填充 filled_ffill = data.fillna(method='ffill')
替换NaN值
# 使用replace方法 replaced = data.replace(np.nan, -999) # 使用条件判断 data = np.array([1, np.nan, 3, np.nan, 5]) data[np.isnan(data)] = 0
实际应用案例
import pandas as pd
import numpy as np
# 创建包含NaN的数据集
data = {
'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],
'Age': [25, np.nan, 35, 28, np.nan],
'Score': [88, 92, np.nan, 76, 85]
}
df = pd.DataFrame(data)
print("原始数据:")
print(df)
# 处理NaN值
print("\n处理后的数据:")
# 填充年龄为平均年龄
df['Age'] = df['Age'].fillna(df['Age'].mean())
# 填充分数为0
df['Score'] = df['Score'].fillna(0)
print(df)
总结
- NaN表示"非数字"，是float类型的一个特殊值
- NaN通常由无效的数学运算或缺失数据产生
- 使用
math.isnan()或pandas.isna()检测NaN - NaN具有传播性，参与运算通常产生NaN
- NaN不等于任何值，包括它自己
- 处理NaN的常用方法：删除、填充或替换
- 在数据分析中，正确处理NaN至关重要
最佳实践：
在数据分析和机器学习项目中，务必检查并妥善处理NaN值，避免因NaN导致的计算错误或模型偏差。
本文由ZengTing于2025-07-28发表在吾爱品聚，如有疑问，请联系我们。
本文链接：https://521pj.cn/20256689.html
发表评论