极客教程Numpy 比较np.nan和isnull()的区别
在使用Numpy处理数据时，我们可能需要判断数组中元素是否为缺失值。在Numpy中，常用的两种方法是比较元素与np.nan以及使用np.isnull()函数。本文将详细介绍这两种方法的区别，并给出实例说明。
阅读更多：Numpy 教程
np.nan和缺失值
在Numpy中，np.nan表示“Not a Number”，也即非数字。这是一个特殊的浮点数，它不等于任何一个数（包括它自己），可以用于表示缺失值。
接下来，我们通过几个例子来说明np.nan：
import numpy as np
print(np.nan == np.nan) # False
print(np.isnan(np.nan)) # True
a = np.array([1, 2, np.nan, 4])
print(np.isnan(a)) # [False False True False]
可以看到，np.nan与其他任何数的比较结果都是False，但它自身可以被判断为True。在上面的示例中，我们将np.nan加入了一个数组中，用np.isnan()函数判断缺失值，返回的是一个布尔型数组。
需要注意的是，使用isnan()函数检测np.nan时，需要保证数组元素的类型是浮点数。如果元素类型是其他类型，会抛出TypeError的异常，例如：
a = np.array([1, 2, np.nan, 4], dtype=int)
# np.isnan(a) # TypeError: ufunc 'isnan' not supported for the input types...
np.isnull()函数
np.isnull()函数用于检测数组中的缺失值，返回一个布尔型数组。它的用法非常简单，只需要将需要检测的数组作为参数传入即可，例如：
import numpy as np
a = np.array([1, 2, np.nan, 4])
print(np.isnull(a)) # [False False True False]
需要注意的是，np.isnull()函数会将缺失值、np.nan和None都视为缺失值。例如：
a = np.array([1, 2, np.nan, None])
print(np.isnull(a)) # [False False True True]
在这个例子中，我们将原数组中一个元素设置为None，用np.isnull()函数判别，该元素也被视为缺失值。
此外，如果数组元素的类型是整数（包括np.int8、np.int16等），那么np.isnull()函数会返回全False的结果。我们可以使用np.isnan()以及对元素类型进行转换的方法来解决这个问题。
np.nan和==运算符
在前面的例子中，我们介绍了np.nan在比较运算中的特殊性，特别是不能通过==运算符与其他数进行比较。那为什么会出现这种情况呢？
在Python中，数字类型和字符串类型等不同的数据类型是通过不同的对象来表示的。例如，在内存中，整数10被表示为二进制值0b1010，如果两个整数的二进制值相同，我们就认为它们相等。
但是，在浮点数中，存在很多特殊情况（包括np.nan、正无穷大和负无穷大等），这些数实际上并没有确定的比较大小的方式。因此，在比较浮点数时，我们需要使用一些函数来检查它们是否相等，而不能直接使用==运算符。
import numpy as np
a = np.array([1, 2, np.nan, 4])
print(a == np.nan)
在这个例子中，我们尝试将数组中的每个元素与np.nan进行比较，结果是False。原因是，由于np.nan的特殊性，任何数字都不能与它相等。
另外，需要注意的是，在Numpy中，有一个特殊的函数np.isnan()，用于判断一个浮点数是否为np.nan。我们应该优先使用这个函数来判断缺失值，而不是使用==运算符。
总结
本文介绍了Numpy中比较缺失值的方法，包括比较np.nan和使用np.isnan()函数以及np.isnull()函数。其中，np.nan是一个特殊的浮点数，可以用于表示缺失值；np.isnan()函数用于检查浮点数是否为np.nan，而np.isnull()函数则可以检测缺失值、np.nan以及None。在比较缺失值时，应当优先使用np.isnan()函数，而不是使用==运算符。