目录

总结：

Python 中表示空数据使用 None，它是 NoneType 类型，如下所示：

>>> type(None)

NoneType 类型没有对外公开属性和方法 。

因此，None 比较容易理解，就是一种空类型。

 但是使用过 NumPy 的肯定都会接触到 nan 这种类型，

它的其他写法：NaN或 NAN，查看其类型却发现是 float 类型：

>>> type(numpy.nan)

这不免让人心生疑惑，nan 不是空数据，而是浮点数，那么到底等于多少？

原来这并不是NumPy特有的数值，而是IEEE754规定的特殊浮点数之一。

特殊在哪里？这就要知道计算机是如何表示浮点数的。

IEEE754 标准中规定 float 单精度浮点数，

在机器中表示用 1 位表示数字的符号，用 8 位表示指数，用 23 位表示尾数，即小数部分，

如下图所示：

关于浮点数表示更加详细的解释可参考下面链接，在此不详细展开：

https://blog.csdn.net/k346k346/article/details/50487127

对于单浮点数，指数部分由8位组成，所以取值范围：0到255。

而指数等于0，255 这两个值，IEEE754 标准有特别的规定：

1. 当指数等于0，并且小数点后所有位全为 0，则这个数为 0
2. 当指数等于255，并且小数点后所有位全为 0，则这个数为无穷；当符号位为0时正无穷 float('inf')，当符号位为1时负无穷 float('-inf')
3. 当指数等于255，并且小数点后至少一位不为 0，规定此浮点数为 nan，表达的含义：not a number ，不是一个数

以上就是 NumPy 中 nan 的解释，弄清楚本质后，再来看几个关于它的运算。

既然 nan 不是一个数：

• 所以拿它与任何浮点数比较，返回结果都是 False；
• 所以相关计算都无法得到数字；所有涉及nan的操作，返回的都是nan。

>>> import numpy as np
>>> np.nan < 0
False
>>> np.nan == np.nan
False
>>> np.nan < np.inf
False
>>> np.nan + 1
nan

找出 np.nan 出现的索引位置，可以使用 isnan 方法：

>>> a = np.array([-1, 0, 2, np.nan, -8, np.nan])
>>> a
array([-1.,  0.,  2., nan, -8., nan])
>>> np.isnan(a)
array([False, False, False,  True, False,  True])
# 找出np.nan出现的索引
>>> np.where(np.isnan(a))
(array([3, 5], dtype=int64),)

总结：

nan (not a number)： 表示不是一个数字，而是一个特殊的float类型的数据（其他写法 NAN，Nan）。在数据分析时，nan值空值(NULL值)缺失值 经常被视为一类？

什么时候numpy中出现nan？当我们读取本地文件为float时，如果有缺失，或者做了不合适的计算，比如无穷大（inf）减去无穷大。