《從零開始的資料科學筆記》Day#7:None 與 NaN 的差異

Python/Pandas中的None VS NaN

大家在進行資料清理時一定會遇到一個問題，到底缺失值、空值要怎麼判斷，以及如何處理? 而且時常會被他們的定義搞得頭昏腦脹…
再加上每種程式語言中對於null、None、nan、””等的定義可能不盡相同，因此這篇文章將以Python和相關套件所定義的為主。

1. 什麼是 None ?

• 是 Python 中的內建空值型態（類似於 Java 的 null）
• 通常用來表示尚未賦值的變數、函式沒有回傳值

x = None
print(x is None)

# 輸出
True

2. 什麼是 NaN ?

• 全名是 Not a Number
• 來自 numpy（np.nan），通常出現在數值型欄位中
• Pandas 認為 NaN 是缺失值（missing value）

import numpy as np

x = np.nan
print(np.isnan(x))

# 輸出
True

3. Pandas處理None/Nan

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'A': [1, None, 3],
    'B': [4, np.nan, 6]
})

# 輸出
| A   | B   |
| --- | --- |
| 1.0 | 4.0 |
| NaN | NaN |
| 3.0 | 6.0 |

說明

4. 如何檢查空值/缺失值?

df = pd.DataFrame({
    'Name': ['Amy', None, 'Cara'],
    'Score': [90, np.nan, 88]
})
print(df)
df.isna()          # 檢查是否有缺失值
df.dropna()        # 移除有缺失值的列
df.fillna('Unknown')  # 補上字串

# 輸出
   Name  Score
0   Amy   90.0
1  None    NaN
2  Cara   88.0


    Name  Score
0  False  False
1   True   True
2  False  False


   Name  Score
0   Amy   90.0
2  Cara   88.0


      Name    Score
0      Amy     90.0
1  Unknown  Unknown
2     Cara     88.0

說明

• df.dropna(axis=0, how='any', inplace=False)
• • axis: 0為按照row刪;1為按照column刪
  • how: 'any'代表有一個na就刪;'all'代表全都na才刪
  • inplace: 是否直接替換原df中的值
• df.fillna('要補上的值')

數值計算上之差異

此差異主要會是在前處理過程中，缺失值尚未處理乾淨時可能會遇到。

None + 1      
np.nan + 1    

# 輸出
TypeError
nan

小結

最佳實務建議

• ✅ 在 Pandas 資料集中統一使用 np.nan 或 pd.NA
• ✅ 使用 pd.isna() / pd.notna() 進行判斷（支援兩者）
• ✅ 避免混用 None 與 np.nan，尤其是數值欄位