为何NaN不等于自身？解析IEEE定义及Dataframe场景的困扰

这个问题我太有共鸣了——当初用pandas处理数据时第一次碰到NaN == NaN返回False，差点把键盘拍碎！结合IEEE 754的设计逻辑，其实这个特性是有道理的：

• NaN的本质是「无效结果的集合」，而非确定值
  IEEE 754里的NaN（Not a Number）不是一个单一的、明确的数值，它是所有「无法用有效浮点数表示的计算结果」的统称——比如0除以0、负数开平方、无穷大减无穷大，这些完全不同的无效场景，最终都用NaN来标记。你没法说“两个不确定的无效结果一定相等”，就像你不能断言“两个未知的东西是同一个”，逻辑上根本不成立。

• 对比Python的None：一个是「空标记」，一个是「无效结果」
  Python里的None是一个单例对象，它的意义非常明确：「这个位置没有值」。所以None == None返回True，因为它们指向同一个确定的“空状态”。而NaN是浮点数体系里的「计算失败标记」，本身就没有“确定身份”，自然没法和自身相等。

处理DataFrame时的小技巧 #

既然你提到对比DataFrame条目时被这个特性坑了，其实pandas早就考虑到了——别用==判断NaN，专门用pd.isna()或者df.isna()来检测，比如：

import pandas as pd
df = pd.DataFrame({'col': [1, None, 3]})
# 正确检测NaN
print(df['col'].isna())
# 错误方式：返回False，完全没用
print(df['col'] == None)

内容的提问来源于stack exchange，提问作者Maile Cupo