在我看来，使用NaN（而不是None）的主要原因是它可以与numpy的
float64 dtype一起存储，而不是效率较低的
object dtype，请参阅
NA type Promotions。
# without forcing dtype it changes None to NaN!s_bad = pd.Series([1, None], dtype=object)s_good = pd.Series([1, np.nan])In [13]: s_bad.dtypeOut[13]: dtype('O')In [14]: s_good.dtypeOut[14]: dtype('float64')杰夫对此评论（如下）：
np.nan允许向量化操作；它是一个float值，而None根据定义，它强制对象类型，这基本上禁用了numpy中的所有效率。
因此，快速重复3次：
object ==bad，
float == good
说，许多操作在None vs NaN上仍然可以正常工作（但可能不受支持，即有时可能会产生令人惊讶的结果）：
In [15]: s_bad.sum()Out[15]: 1In [16]: s_good.sum()Out[16]: 1.0
要回答第二个问题：
你应该使用pd.isnull并pd.notnull测试丢失的数据（NaN）。
