Pandas缺失值默认处理逻辑是否会给安全关键软件带来严重隐患？

作为Python和pandas新手，我近期发现pandas在计算求和时会默认将NaN值替换为0，这与numpy的显式计算行为不同，示例代码如下：

import pandas as pd
import numpy as np

np.NaN + np.NaN                              # Result: nan
pd.DataFrame([np.NaN,np.NaN]).sum().item()   # Result: 0.0

我认为这种逻辑可能会在数据分析中掩盖错误结果，进而担忧其在安全关键型或高风险应用中的影响。此外，根据IEEE 754标准，NaN的特定含义是表示不确定结果，而非缺失值。

我了解到pandas的描述统计方法带有skipna参数，但该参数默认值为True，这会向普通用户及新手程序员（甚至其他人群）掩盖缺失值的存在。

请问这种处理逻辑是否会给安全关键软件或高风险数据分析带来问题？

• 确实会带来显著风险：在安全关键场景（如医疗数据分析、金融风控、工业系统监测）中，默认跳过NaN并返回0的行为极易误导决策。比如医疗数据中缺失的生命体征数值被当作0求和，可能让系统误判患者病情；金融场景中缺失的交易数据求和为0，可能掩盖资金异常流动的问题。
• 存在IEEE 754语义冲突：pandas默认将NaN视为"缺失值"而非IEEE 754定义的"不确定结果"，这种语义错位会让依赖标准数值逻辑的开发者踩坑——新手容易忽略skipna参数，资深开发者若未特意检查数据完整性，也可能因默认行为得出错误结论。
• 默认行为的设计局限：pandas设置skipna=True为默认是为了适配日常数据分析场景（如处理带缺失值的报表数据），但这种"易用优先"的设计完全不适合高风险场景。
• 高风险场景的应对方案：
  1. 所有统计计算强制显式设置skipna=False，让NaN直接传递，暴露数据完整性问题；
  2. 计算前必须做缺失值校验，用df.isna().sum()排查数据中的缺失情况；
  3. 针对关键数据，自定义统计函数，严格遵循IEEE 754语义，拒绝默认的缺失值替换逻辑。

内容的提问来源于stack exchange，提问作者David Lovell