Python中float('nan')含义、float用法及NaN比较规则咨询

1. 先搞懂float('nan')是什么 #

float('nan')是Python中生成**NaN（Not a Number，非数值）**的标准方式，它属于浮点类型的特殊值，用来表示缺失、无效或未定义的数值。因为NaN本身是浮点类型的专属特性，所以必须通过float()构造——整数类型没有对应的特殊值，没法用int('nan')生成NaN。

2. 分析文章里的两行代码 #

第一行：print(df == float('nan')) #

这行代码试图把DataFrame的每个元素和NaN做相等比较，但完全达不到识别缺失值的目的。因为NaN的核心特性就是：任何值和NaN用==比较都会返回False，包括NaN自己。所以运行这行后，你会得到一个全是False的布尔DataFrame，根本找不到数据里的真实NaN。

比如你数据里Alice的point列是NaN，但NaN == NaN的结果是False，这行代码会把这个位置错误标记为False。

第二行：print(df = float('nan')) #

这是语法错误，因为这里误用了赋值运算符=而非比较运算符==。Python会直接抛出SyntaxError，根本无法运行。大概率是文章里的笔误，就算改成==，也和第一行一样是错误的用法。

3. 正确识别DataFrame中的NaN #

在pandas里，识别缺失值要用专门的方法：

• df.isna()：返回布尔DataFrame，所有NaN的位置会被标记为True
• df.isnull()：和isna()完全等价，只是别名

比如针对你的数据集，运行df.isna()会正确显示哪些单元格是NaN——比如第二行全为True，Charlie的age列是True，Frank的state列是True等。

补充：为什么NaN的比较这么特殊？ #

这是遵循IEEE 754浮点数标准的规定——NaN代表无效数值，所以它和任何值（包括自己）都不相等，这样设计是为了避免把无效值当成有效数值处理。

内容的提问来源于stack exchange，提问作者sagum