pandas numpy处理缺失值，none与nan比较

原文链接：https://junjiecai.github.io/posts/2016/Oct/20/none_vs_nan/

建议从这里下载这篇文章对应的.ipynb文件和相关资源。这样你就能在Jupyter中边阅读，边测试文中的代码。

python原生的None和pandas, numpy中的numpy.NaN尽管在功能上都是用来标示空缺数据。但它们的行为在很多场景下确有一些相当大的差异。由于不熟悉这些差异，曾经给我的工作带来过不少麻烦。　特此整理了一份详细的实验，比较None和NaN在不同场景下的差异。

实验的结果有些在意料之内，有些则让我大跌眼镜。希望读者看过此文后会None和NaN这对“小妖精”有更深的理解。

为了理解本文的内容,希望本文的读者需要对pandas的Series使用有一定的经验。

首先，导入所需的库

from numpy import NaN

from pandas import Series, DataFrame

import numpy as np

数据类型?

None是一个python特殊的数据类型，但是NaN却是用一个特殊的float

type(None)

NoneType

type(NaN)

float

能作为dict的key?

{None:1}

{None: 1}

{NaN:1}

{nan: 1}

{None:1, NaN:2}

{nan: 2, None: 1}

都可以，而且会被认为是不同的key

Series函数中的表现

Series.map

s = Series([None, NaN, 'a'])

s

0    None

1     NaN

2       a

dtype: object

s.map({None:1,'a':'a'})

0    1

1    1

2    a

dtype: object

可以看到None和NaN都会替换成了1

s.map({NaN:1,'a':'a'})

0    1

1    1

2    a

dtype: object

同样None和NaN都会替换成了1

s.map({NaN:2,'None':1,'a':'a'})

0    2

1    2

2    a

dtype: object

将None替换成1的要求被忽略了

s.map({'None':1,NaN:2,'a':'a'})

0    2

1    2

2    a

dtype: object

将NaN替换成1的要求被忽略了

总结: 用Series.map对None进行替换时,会“顺便”把NaN也一起替换掉；NaN也会顺便把None替换掉。

如果None和NaN分别定义了不同的映射数值，那么只有一个会生效。

Series.replace中的表现

s = Series([None, NaN, 'a'])

s

0    None

1     NaN

2       a

dtype: object

s.replace([NaN],9)

0    9

1    9

2    a

dtype: object

s.replace([None],9)

0    9

1    9

2    a

dtype: object

和Series.map的情况类似,指定了None的替换值后,NaN会被替换掉;反之亦然。

对函数的支持

numpy有不少函数可以自动处理NaN。

np.nansum([1,2,NaN])

3.0

但是None不能享受这些函数的便利，如果数据包含的None的话会报错

try:

    np.nansum([1,2,None])

except Exception as e:

    print(type(e),e)

 unsupported operand type(s) for +: 'int' and 'NoneType'

pandas中也有不少函数支持NaN却不支持None。(毕竟pandas的底层是numpy)

import pandas as pd

pd.cut(Series([NaN]),[1,2])

0    NaN

dtype: category

Categories (1, object): [(1, 2]]

import pandas as pd

try:

    pd.cut(Series([None]),[1,2])

except Exception as e:

    print(type(e),e)

 unorderable types: int() > NoneType()

对容器数据类型的影响

混入numpy.array的影响

如果数据中含有None,会导致整个array的类型变成object。

np.array([1, None]).dtype

dtype('O')

而np.NaN尽管会将原本用int类型就能保存的数据转型成float，但不会带来上面这个问题。

np.array([1, NaN]).dtype

dtype('float64')

混入Series的影响

下面的结果估计大家能猜到

Series([1, NaN])

0    1.0

1    NaN

dtype: float64

下面的这个就很意外的吧

Series([1, None])

0    1.0

1    NaN

dtype: float64

pandas将None自动替换成了NaN！

Series([1.0, None])

0    1.0

1    NaN

dtype: float64

却是Object类型的None被替换成了float类型的NaN。这么设计可能是因为None无法参与numpy的大多数计算，而pandas的底层又依赖于numpy，因此做了这样的自动转化。

不过如果本来Series就只能用object类型容纳的话， Series不会做这样的转化工作。

Series(['a', None])

0       a

1    None

dtype: object

如果Series里面都是None的话也不会做这样的转化

Series([None,None])

0    None

1    None

dtype: object

其它的数据类型是bool时，也不会做这样的转化。

Series([True, False, None])

0     True

1    False

2     None

dtype: object

等值性判断

单值的等值性比较

下面的实验中None和NaN的表现会作为后面的等值性判断的基准(后文称为基准)

None == None

True

NaN == NaN

False

None == NaN

False

在tuple中的情况

这个不奇怪

(1, None) == (1, None)

True

这个也不意外

(1, None) == (1, NaN)

False

但是下面这个实验NaN的表现和基准不一致

(1, NaN) == (1, NaN)

True

在numpy.array中的情况

np.array([1,None]) == np.array([1,None])

array([ True,  True], dtype=bool)

np.array([1,NaN]) == np.array([1,NaN])

array([ True, False], dtype=bool)

np.array([1,NaN]) == np.array([1,None])

array([ True, False], dtype=bool)

和基准的表现一致。　

但是大部分情况我们希望上面例子中，我们希望左右两边的array被判定成一致。这时可以用numpy.testing.assert_equal函数来处理。注意这个函数的表现同assert，不会返回True, False，而是无反应或者raise Exception

np.testing.assert_equal(np.array([1,NaN]), np.array([1,NaN]))

它也可以处理两边都是None的情况

np.testing.assert_equal(np.array([1,None]), np.array([1,None]))

但是一边是None，一边是NaN时会被认为两边不一致, 导致AssertionError

try:

    np.testing.assert_equal(np.array([1,NaN]), np.array([1,None]))

except Exception as e:

    print(type(e),e)

Arrays are not equal

(mismatch 50.0%)

 x: array([  1.,  nan])

 y: array([1, None], dtype=object)

在Series中的情况

下面两个实验中的表现和基准一致

Series([NaN,'a']) == Series([NaN,'a'])

0    False

1     True

dtype: bool

Series([None,'a']) == Series([NaN,'a'])

0    False

1     True

dtype: bool

但是None和基准的表现不一致。

Series([None,'a']) == Series([None,'a'])

0    False

1     True

dtype: bool

和array类似，Series也有专门的函数equals用于判断两边的Series是否整体看相等

Series([None,'a']).equals(Series([NaN,'a']))

True

Series([None,'a']).equals(Series([None,'a']))

True

Series([NaN,'a']).equals(Series([NaN,'a']))

True

比numpy.testing.assert_equals更智能些，三种情况下都能恰当的处理

在DataFrame merge中的表现

两边的None会被判为相同

a = DataFrame({'A':[None,'a']})

b = DataFrame({'A':[None,'a']})

a.merge(b,on='A', how = 'outer')

	A
0	None
1	a

两边的NaN会被判为相同

a = DataFrame({'A':[NaN,'a']})

b = DataFrame({'A':[NaN,'a']})

a.merge(b,on='A', how = 'outer')

	A
0	NaN
1	a

无论两边都是None,都是NaN，还是都有,相关的列都会被正确的匹配。注意一边是None,一边是NaN的时候。会以左侧的结果为准。

a = DataFrame({'A':[None,'a']})

b = DataFrame({'A':[NaN,'a']})

a.merge(b,on='A', how = 'outer')

	A
0	None
1	a

a = DataFrame({'A':[NaN,'a']})

b = DataFrame({'A':[None,'a']})

a.merge(b,on='A', how = 'outer')

	A
0	NaN
1	a

注意

这和空值在postgresql等sql数据库中的表现不一样，在数据库中， join时两边的空值会被判定为不同的数值

在groupby中的表现

d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']})

d.groupby(['A','B']).apply(len)

A  B

1  a    2

2  b    1

dtype: int64

可以看到(1, NaN)对应的组直接被忽略了

d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']})

d.groupby(['A','B']).apply(len)

A  B

1  a    2

2  b    1

dtype: int64

(1,None)的组也被直接忽略了

d = DataFrame({'A':[1,1,1,1,2],'B':[None,NaN,'a','a','b']})

d.groupby(['A','B']).apply(len)

A  B

1  a    2

2  b    1

dtype: int64

那么上面这个结果应该没啥意外的

总结

DataFrame.groupby会忽略分组列中含有None或者NaN的记录

支持写入数据库?

往数据库中写入时NaN不可处理，需转换成None,否则会报错。这个这里就不演示了。

相信作为pandas老司机，至少能想出两种替换方法。

s = Series([None,NaN,'a'])

s

0    None

1     NaN

2       a

dtype: object

方案１

s.replace([NaN],None)

0    None

1    None

2       a

dtype: object

方案２

s[s.isnull()]=None

s

0    None

1    None

2       a

dtype: object

然而这么就觉得完事大吉的话就图样图森破了，看下面的例子

s = Series([NaN,1])

s

0    NaN

1    1.0

dtype: float64

s.replace([NaN], None)

0    NaN

1    1.0

dtype: float64

s[s.isnull()] = None

s

0    NaN

1    1.0

dtype: float64

当其他数据是int或float时,Series又一声不吭的自动把None替换成了NaN。

这时候可以使用第三种方法处理

s.where(s.notnull(), None)

0    None

1       1

dtype: object

where语句会遍历s中所有的元素，逐一检查条件表达式，如果成立，从原来的s取元素；否则用None填充。这回没有自动替换成NaN

None vs NaN要点总结

在pandas中，如果其他的数据都是数值类型， pandas会把None自动替换成NaN, 甚至能将s[s.isnull()]= None,和s.replace(NaN, None)操作的效果无效化。这时需要用where函数才能进行替换。
None能够直接被导入数据库作为空值处理，包含NaN的数据导入时会报错。
numpy和pandas的很多函数能处理NaN，但是如果遇到None就会报错。
None和NaN都不能被pandas的groupby函数处理，包含None或者NaN的组都会被忽略。

等值性比较的总结:（True表示被判定为相等）

	None对None	NaN对NaN	None对NaN
单值	True	False	False
tuple(整体)	True	True	False
np.array(逐个)	True	False	False
Series(逐个)	False	False	False
assert_equals	True	True	False
Series.equals	True	True	True
merge	True	True	True

由于等值性比较方面，None和NaN在各场景下表现不太一致，相对来说None表现的更稳定。

为了不给自己惹不必要的麻烦和额外的记忆负担。实践中，建议遵循以下三个原则即可

在用pandas和numpy处理数据阶段将None,NaN统一处理成NaN,以便支持更多的函数。
如果要判断Series,numpy.array整体的等值性，用专门的Series.equals,numpy.array函数去处理，不要自己用==判断 *　如果要将数据导入数据库，将NaN替换成None