1. python中怎么判断一个浮点数是NaN
>>> a == 'NaN'
False
>>> a == nan
False
>>> a == float('NaN')
False
>>> isNaN(a)
Traceback (most recent call last):
File "<stdin>", line 1, in <mole>
NameError: name 'isNaN' is not defined
以上几种方法，都可以试一下
2. python numpy 判断ndarray 中是否有 nan
importnumpyasnp
data=np.array([1,2,3,np.nan,4,np.nan])
#获得一个bool数组
np.isnan(data)
#array([False,False,False,True,False,True],dtype=bool)
#这样可以获得nan的数量
np.isnan(data).sum()
#2
3. 数据库中的空值与NULL的区别以及python中的NaN和None
null表示：不可用、未赋值、不知道、不适用，它既不是0也不是空格。记住：一个数值与null进行四则运算，其结果是null
空值和null的区别在于，在做count计算的时候：count(field_name)，field_name的值为空值也会被计算在里面（这一行统计有效），而null不会
python有两种方式获取数据：
1.
一种是把数据从mysql
中导出到txt或者csv，然后本地读取；
2.
另一种是python直接链接数据库，读取数据；
第一种把数据从mysql导出后，python读取时，空值和null在文件中都为null；python读取之后为nan
第二种链接数据库后，python能读取表结构，数据库的null对应列表中的none以及pandas中的nan（如果字段类型是时间，则为nat）。而数据库中的空字符，则被识别为空字符。
4. python 在pandas中的 nan 怎么样在计算时当 0 与邻列相加
Pandas基于两种数据类型：series与dataframe。
一个series是一个一维的数据类型，其中每一个元素都有一个标签。如果你阅读过这个系列的关于Numpy的文章，你就可以发现series类似于Numpy中元素带标签的数组。
其中，标签可以是数字或者字符串。
一个dataframe是一个二维的表结构。
Pandas的dataframe可以存储许多种不同的数据类型，并且每一个坐标轴都有自己的标签，可以把它想象成一个series的字典项。
5. 在使用python中的concat 函数时,有一个数据显示nan 是怎么回事
说明你的样本数据中有nan值，通常是因为原始数据中包含空字符串或None值引起的。
解决办法是把样本数据中包含nan值的数据剔除，
或者如果样本数据都是数值的话可以把nan值都改成0。
6. Python 为什么不定义 NaN
有 None 就可以了，任何类型(number， list， dict等） 都可以用 None 来表示一个无效的值
没必要用 NaN 来专门表示 not a number
7. python怎么判断numpy.ndarray 是否空
import numpy as np
data = np.array([1,2,3,np.nan,4,np.nan])
# 获得一个bool数组
np.isnan(data)
# array([False, False, False, True, False, True], dtype=bool)
# 这样可以获得nan的数量
np.isnan(data).sum()
8. 数据库中的空值与NULL的区别以及python中的NaN和None
NULL表示：不可用、未赋值、不知道、不适用，它既不是0也不是空格。记住：一个数值与NULL进行四则运算，其结果是NULL
空值和NULL的区别在于，在做count计算的时候：count(field_name)，field_name的值为空值也会被计算在里面（这一行统计有效），而NULL不会
python有两种方式获取数据：
1. 一种是把数据从MySQL中导出到txt或者csv，然后本地读取；
2. 另一种是python直接链接数据库，读取数据；
第一种把数据从MYSQL导出后，python读取时，空值和NULL在文件中都为NULL；Python读取之后为NaN
第二种链接数据库后，python能读取表结构，数据库的NULL对应列表中的None以及pandas中的NaN（如果字段类型是时间，则为NaT）。而数据库中的空字符，则被识别为空字符。
9. python数据处理怎么筛选掉nan空值
既然我们认为空值和空格都代表无数据，那么可以先得到这两种情况下的布尔数组。
这里，我们的DataFrame类型的数据集为df，其中有一个变量VIN，那么取得空值和空格的布尔数组为NONE_VIN。然后通过该布尔数组，就能得到我们要的数据了
NONE_VIN = (df["VIN"].isnull()) | (df["VIN"].apply(lambda x: str(x).isspace()))
df_null = df[NONE_VIN]
df_not_null = df[~NONE_VIN]