如何在Pandas比较操作中传递numpy.nan值

现有代码：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 3, np.nan]})
df['B'] = df['A'] > 2

期望结果：

A      B
0  1.0  False
1  3.0   True
2  NaN    NaN

实际结果：

A      B
0  1.0  False
1  3.0   True
2  NaN  False

需要实现布尔条件判断时保留NaN值的传递，且尽量避免使用lambda、.map、.apply或np.where语句。此外，尝试过将NaN替换为pd.NA并改用Nullable数据类型（如Int64/Float64），虽能得到期望结果，但与statsmodels等第三方包存在兼容性问题（触发已知TypeError），若有让pd.NA兼容标准float/int类型的方法也可采用。

方法1：使用Series.where直接保留NaN #

利用pd.Series.where方法，在原条件的基础上，仅当原列非NaN时保留条件结果，否则设为np.nan，完全符合需求且无需禁用的方法：

df['B'] = (df['A'] > 2).where(df['A'].notna(), np.nan)

执行后即可得到期望结果，且B列的数据类型为float（NaN为np.nan），能兼容statsmodels等包。

方法2：封装函数批量处理 #

如果代码中有大量此类条件表达式，可以封装极简函数复用逻辑，避免重复编写判断：

def preserve_nan(condition_result):
    return condition_result.where(condition_result.notna(), np.nan)

# 调用示例
df['B'] = preserve_nan(df['A'] > 2)
df['C'] = preserve_nan(df['A'] < 1)  # 其他条件同样适用

方法3：Nullable类型转普通类型兼容第三方包 #

若想使用pd.NA的特性，可先将列转为Nullable类型完成判断，再转回普通float类型（pd.NA会自动转为np.nan），既保留判断逻辑，又能兼容statsmodels：

# 转为Nullable Float64类型执行判断
temp_col = df['A'].astype('Float64')
# 转回普通float类型，pd.NA转为np.nan
df['B'] = (temp_col > 2).astype('float')

内容的提问来源于stack exchange，提问作者Sunil Manohar