在做一些如金融分析报表的时候，一般既不可以像平常机器学习那样直接dropna将缺失值一删了之，也不能插值。
这时候缺失值的处理就可能比较麻烦。
1、pandas会将数值型缺失值读取为NAN（not a number），日期型缺失值读取为NAT（not a time）。如对于是NAN的变量a可使用pandas的方法pd.isna(a)和类型if a is pd.NaT识别，
注意：能用pandas的内置就用pandas的内置。这种缺失值不要用numpy的方法判断如np.isnan(a)，np.isnat(a)，if a is np.nan，可能会出错。
2、==一般用于判断值是否相等，如判断np.inf，而在判断类型时候非常麻烦，甚至np.nan==np.nan都会返回False。在缺失值判断上用is或用内置方法是更明智的选择，用is如np.nan is np.nan会返回True。
3、pandas中的每一列都是相同类型，所以pandas读入NAN后，可能就模糊了对象原来的类型，这一点在pandas1.0之前需要注意，会造成麻烦：
（1）若那列本应是数值型的：会导致那一列全部变成np.float64，所以有时候年份2021都会在dataframe中显示成2007.0。看着不爽想转为int就会报错：
ValueError: cannot convert float NaN to integer
但实际上输出到文件的时候不会显示2007后面的小数0；
merge匹配合并表时候，即使年份作为主键也不会比较主键的类型，而是只比较值，所以一个int和一个float是可以放心匹配；
（2）若那列本应是字符型的：会导致那一列全部变成大的对象类型object。
4、缺失值使用方式如下：
if a is pd.NaT: # 注意不是==pd.NaT 如果是个日期缺失值，怎么怎么样 if pd.isna(a): 如果是个数值缺失值，怎么怎么样 if pd.notna(a): 如果不是数值缺失值，怎么怎么样
部分参考：
《python2与python3中关于对NaN类型数据的判断和转换》
所以我才说前面作为我的一点感受，只是抛砖引玉。重点是看下面这篇文章，尤其是pandas1.0之后的新特性。链接的文章注意排版有个小问题
s_time = pd.Series([pd.Timestamp('20120101')]*5)s_time
实际上是
s_time = pd.Series([pd.Timestamp('20120101')]*5)
s_time
《收藏|Pandas缺失值处理看这一篇就够了！》
