Pandas DataFrame中None与NaN显示不同？二者是否可互换？

云上老周

2026-6-26

Pandas中None与NaN显示差异但equals返回True的原因及互换性解析

代码示例

import pandas as pd
import io

df1 = pd.DataFrame({'a':[None]})
s = df1.to_json(orient='table')
df2 = pd.read_json(io.StringIO(s), orient='table')

df1输出：

a
0   None

df2输出：

a
0   NaN

显示差异的原因

直接创建的df1里，None属于Python对象，此时列a的数据类型是object，Pandas会直接显示None；而通过JSON序列化再读取的过程中，JSON本身没有None的概念，会把缺失值序列化为NaN，读取后Pandas将其识别为浮点型缺失值，列a的数据类型变为float64，所以显示为NaN。

为何`df1.equals(df2)`返回`True`

Pandas的equals()方法在比较DataFrame时，会把None和NaN统一视为缺失值，只要对应位置都是缺失状态，就判定为相等，不会纠结显示的符号差异。

None与NaN在Pandas中的互换性

两者在多数缺失值处理场景下可以互换，但并非完全等价：

当列是object类型时，None和NaN都代表缺失值，但None是Python对象，NaN是浮点型；
若列是数值类型（如int、float），None会被自动转为NaN，因为数值类型无法存储Python对象；
使用isnull()、notnull()等函数时，两者都会被识别为缺失值；
但用==直接比较单个值时（比如df1['a'][0] == df2['a'][0]）会返回False，因为Python中None == NaN本身就是False，这种场景下两者有区别。