Pandas含None与数值的列修改失败：两种方法差异解析

问题场景 #

用户通过字典列表创建Pandas DataFrame：

## Creation of pandas dataframe
t = [{'Key1':None,'OtherKey':2, 'AnotherKey':'whatever'},{'Key1':2,'OtherKey':3, 'AnotherKey':'whenever'}]
df = pd.DataFrame(index=range(2), columns=['Key1','OtherKey','AnotherKey'])
idr = 0
for r in t:
    df.iloc[idr]=r
    idr += 1

尝试将Key1列中的None替换为10.0时，使用df.loc[df['Key1']==None,'Key1']=10.0未生效，DataFrame仍保留None；但使用df.loc[df['Key1'].isnull(),'Key1']=10却得到了预期结果。

差异原因 #

1. 空值的形式与比较逻辑 #

• Pandas中的空值分为两种：Python原生的None（通常存在于object类型列）和Pandas的NaN（数值类型列的空值，None赋值给数值列会自动转为NaN）。
• 使用== None比较时：
  • 针对NaN：NaN的特性是不等于任何值（包括自身和None），所以NaN == None返回False，无法匹配数值列的空值。
  • 针对object列的None：如果Series中存在NaN，== None会返回NaN，而布尔索引会把NaN视为False，导致目标行无法被选中。
• isnull()（或isna()）是Pandas专门设计的空值检测方法，能统一识别None和NaN，无论列的数据类型是什么，都能准确标记所有空值元素。

2. 向量化操作的适配性 #

Pandas的Series是向量化结构，== None是通用的逐元素相等比较，没有适配Pandas空值的特殊逻辑；而isnull()是针对空值场景优化的方法，内部处理了所有空值的边界情况，确保检测结果准确。

总结 #

不要用== None或!= None检测Pandas空值，官方推荐使用isnull()/isna()（检测空值）或notnull()/notna()（检测非空值）来处理这类场景。

内容的提问来源于stack exchange，提问作者pol