嘿，这个问题确实挺容易让人摸不着头脑的，我来帮你拆解一下背后的核心原因：

1. 先搞清楚两种“缺失值”的区别 #

pandas里其实有两种不同的缺失值表示：

• np.nan：这是numpy原生的浮点类型缺失值，属于传统的float64体系
• pd.NA：这是pandas为Nullable类型（比如Float64、Int64，注意大写开头）设计的统一缺失值标记

2. 你的代码里发生了什么？ #

• 你一开始把DataFrame转成了Float64类型，这是pandas的Nullable浮点类型，专门用来支持pd.NA的。
• 当你执行a.apply(lambda a:a/a.mean())时，列a的均值是0，0/0计算出来的是**np.nan**（因为numpy的算术运算默认返回原生的np.nan），但这个np.nan被存在了Float64类型的列里。
• 关键问题来了：isna()在处理Nullable类型列时，只把pd.NA当作缺失值，而np.nan在这种类型里会被视为一个普通的“无效浮点值”，不会被标记为缺失。这是Nullable类型的设计逻辑——它希望用pd.NA统一管理缺失值，和传统的np.nan做区分。

3. 为什么转换类型后就正常了？ #

• 转成object类型：这种类型对缺失值的判断是宽松的，不管是np.nan还是pd.NA，都会被isna()识别为缺失。
• 转成float64（小写f）：这是numpy的原生浮点类型，np.nan本来就是它的缺失值，而pd.NA会被自动转换成np.nan，所以两者都能被isna()识别。

你可以用这段小代码验证一下：

# 查看列a中第一个NaN的类型
print(type(a_nan['a'].iloc[0]))  # 输出 <class 'float'>，说明是np.nan
print(a_nan['a'].iloc[0] is pd.NA)  # 输出 False，确认不是pd.NA
print(pd.isna(a_nan['a'].iloc[0]))  # 在Float64列中输出False，转成float64后会输出True

备注：内容来源于stack exchange，提问作者BobVitorBob