pandas numpy處理缺失值，none與nan比較

原文鏈接：https://junjiecai.github.io/posts/2016/Oct/20/none_vs_nan/

建議從這里下載這篇文章對應的.ipynb文件和相關資源。這樣你就能在Jupyter中邊閱讀，邊測試文中的代碼。

python原生的None和pandas, numpy中的numpy.NaN盡管在功能上都是用來標示空缺數據。但它們的行為在很多場景下確有一些相當大的差異。由於不熟悉這些差異，曾經給我的工作帶來過不少麻煩。　特此整理了一份詳細的實驗，比較None和NaN在不同場景下的差異。

實驗的結果有些在意料之內，有些則讓我大跌眼鏡。希望讀者看過此文后會None和NaN這對“小妖精”有更深的理解。

為了理解本文的內容,希望本文的讀者需要對pandas的Series使用有一定的經驗。

首先，導入所需的庫

 

from numpy import NaN from pandas import Series, DataFrame import numpy as np 

數據類型?

None是一個python特殊的數據類型， 但是NaN卻是用一個特殊的float

 

type(None) 

 

NoneType

 

type(NaN) 

 

float

能作為dict的key?

 

{None:1} 

 

{None: 1}

 

{NaN:1} 

 

{nan: 1}

 

{None:1, NaN:2} 

 

{nan: 2, None: 1}

都可以，而且會被認為是不同的key

Series函數中的表現

Series.map

 

s = Series([None, NaN, 'a']) s 

 

0    None
1     NaN
2       a
dtype: object

 

s.map({None:1,'a':'a'}) 

 

0    1
1    1
2    a
dtype: object

可以看到None和NaN都會替換成了1

 

s.map({NaN:1,'a':'a'}) 

 

0    1
1    1
2    a
dtype: object

同樣None和NaN都會替換成了1

 

s.map({NaN:2,'None':1,'a':'a'}) 

 

0    2
1    2
2    a
dtype: object

將None替換成1的要求被忽略了

 

s.map({'None':1,NaN:2,'a':'a'}) 

 

0    2
1    2
2    a
dtype: object

將NaN替換成1的要求被忽略了

總結: 用Series.map對None進行替換時,會“順便”把NaN也一起替換掉；NaN也會順便把None替換掉。

如果None和NaN分別定義了不同的映射數值，那么只有一個會生效。

Series.replace中的表現

 

s = Series([None, NaN, 'a']) s 

 

0    None
1     NaN
2       a
dtype: object

 

s.replace([NaN],9) 

 

0    9
1    9
2    a
dtype: object

 

s.replace([None],9) 

 

0    9
1    9
2    a
dtype: object

和Series.map的情況類似,指定了None的替換值后,NaN會被替換掉;反之亦然。

對函數的支持

numpy有不少函數可以自動處理NaN。

 

np.nansum([1,2,NaN]) 

 

3.0

但是None不能享受這些函數的便利，如果數據包含的None的話會報錯

 

try: np.nansum([1,2,None]) except Exception as e: print(type(e),e) 

 

 unsupported operand type(s) for +: 'int' and 'NoneType'

pandas中也有不少函數支持NaN卻不支持None。(畢竟pandas的底層是numpy)

 

import pandas as pd pd.cut(Series([NaN]),[1,2]) 

 

0    NaN
dtype: category
Categories (1, object): [(1, 2]]

 

import pandas as pd try: pd.cut(Series([None]),[1,2]) except Exception as e: print(type(e),e) 

 

 unorderable types: int() > NoneType()

對容器數據類型的影響

混入numpy.array的影響

如果數據中含有None,會導致整個array的類型變成object。

 

np.array([1, None]).dtype 

 

dtype('O')

而np.NaN盡管會將原本用int類型就能保存的數據轉型成float，但不會帶來上面這個問題。

 

np.array([1, NaN]).dtype 

 

dtype('float64')

混入Series的影響

下面的結果估計大家能猜到

 

Series([1, NaN]) 

 

0    1.0
1    NaN
dtype: float64

下面的這個就很意外的吧

 

Series([1, None]) 

 

0    1.0
1    NaN
dtype: float64

pandas將None自動替換成了NaN！

 

Series([1.0, None]) 

 

0    1.0
1    NaN
dtype: float64

卻是Object類型的None被替換成了float類型的NaN。 這么設計可能是因為None無法參與numpy的大多數計算， 而pandas的底層又依賴於numpy，因此做了這樣的自動轉化。

不過如果本來Series就只能用object類型容納的話， Series不會做這樣的轉化工作。

 

Series(['a', None]) 

 

0       a
1    None
dtype: object

如果Series里面都是None的話也不會做這樣的轉化

 

Series([None,None]) 

 

0    None
1    None
dtype: object

其它的數據類型是bool時，也不會做這樣的轉化。

 

Series([True, False, None]) 

 

0     True
1    False
2     None
dtype: object

等值性判斷

單值的等值性比較

下面的實驗中None和NaN的表現會作為后面的等值性判斷的基准(后文稱為基准)

 

None == None 

 

True

 

NaN == NaN 

 

False

 

None == NaN 

 

False

在tuple中的情況

這個不奇怪

 

(1, None) == (1, None) 

 

True

這個也不意外

 

(1, None) == (1, NaN) 

 

False

但是下面這個實驗NaN的表現和基准不一致

 

(1, NaN) == (1, NaN) 

 

True

在numpy.array中的情況

 

np.array([1,None]) == np.array([1,None]) 

 

array([ True,  True], dtype=bool)

 

np.array([1,NaN]) == np.array([1,NaN]) 

 

array([ True, False], dtype=bool)

 

np.array([1,NaN]) == np.array([1,None]) 

 

array([ True, False], dtype=bool)

和基准的表現一致。　

但是大部分情況我們希望上面例子中， 我們希望左右兩邊的array被判定成一致。這時可以用numpy.testing.assert_equal函數來處理。 注意這個函數的表現同assert， 不會返回True, False， 而是無反應或者raise Exception

 

np.testing.assert_equal(np.array([1,NaN]), np.array([1,NaN])) 

它也可以處理兩邊都是None的情況

 

np.testing.assert_equal(np.array([1,None]), np.array([1,None])) 

但是一邊是None，一邊是NaN時會被認為兩邊不一致, 導致AssertionError

 

try: np.testing.assert_equal(np.array([1,NaN]), np.array([1,None])) except Exception as e: print(type(e),e) 

 

 
Arrays are not equal

(mismatch 50.0%)
 x: array([  1.,  nan])
 y: array([1, None], dtype=object)

在Series中的情況

下面兩個實驗中的表現和基准一致

 

Series([NaN,'a']) == Series([NaN,'a']) 

 

0    False
1     True
dtype: bool

 

Series([None,'a']) == Series([NaN,'a']) 

 

0    False
1     True
dtype: bool

但是None和基准的表現不一致。

 

Series([None,'a']) == Series([None,'a']) 

 

0    False
1     True
dtype: bool

和array類似，Series也有專門的函數equals用於判斷兩邊的Series是否整體看相等

 

Series([None,'a']).equals(Series([NaN,'a'])) 

 

True

 

Series([None,'a']).equals(Series([None,'a'])) 

 

True

 

Series([NaN,'a']).equals(Series([NaN,'a'])) 

 

True

比numpy.testing.assert_equals更智能些， 三種情況下都能恰當的處理

在DataFrame merge中的表現

兩邊的None會被判為相同

 

a = DataFrame({'A':[None,'a']}) b = DataFrame({'A':[None,'a']}) a.merge(b,on='A', how = 'outer') 

 

	A
0	None
1	a

兩邊的NaN會被判為相同

 

a = DataFrame({'A':[NaN,'a']}) b = DataFrame({'A':[NaN,'a']}) a.merge(b,on='A', how = 'outer') 

 

	A
0	NaN
1	a

無論兩邊都是None,都是NaN，還是都有,相關的列都會被正確的匹配。 注意一邊是None,一邊是NaN的時候。會以左側的結果為准。

 

a = DataFrame({'A':[None,'a']}) b = DataFrame({'A':[NaN,'a']}) a.merge(b,on='A', how = 'outer') 

 

	A
0	None
1	a

 

a = DataFrame({'A':[NaN,'a']}) b = DataFrame({'A':[None,'a']}) a.merge(b,on='A', how = 'outer') 

 

	A
0	NaN
1	a

注意

這和空值在postgresql等sql數據庫中的表現不一樣， 在數據庫中， join時兩邊的空值會被判定為不同的數值

在groupby中的表現

 

d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']}) d.groupby(['A','B']).apply(len) 

 

A  B
1  a    2
2  b    1
dtype: int64

可以看到(1, NaN)對應的組直接被忽略了

 

d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']}) d.groupby(['A','B']).apply(len) 

 

A  B
1  a    2
2  b    1
dtype: int64

(1,None)的組也被直接忽略了

 

d = DataFrame({'A':[1,1,1,1,2],'B':[None,NaN,'a','a','b']}) d.groupby(['A','B']).apply(len) 

 

A  B
1  a    2
2  b    1
dtype: int64

那么上面這個結果應該沒啥意外的

總結

DataFrame.groupby會忽略分組列中含有None或者NaN的記錄

支持寫入數據庫?

往數據庫中寫入時NaN不可處理，需轉換成None,否則會報錯。這個這里就不演示了。

相信作為pandas老司機， 至少能想出兩種替換方法。

 

s = Series([None,NaN,'a']) s 

 

0    None
1     NaN
2       a
dtype: object

方案１

 

s.replace([NaN],None) 

 

0    None
1    None
2       a
dtype: object

方案２

 

s[s.isnull()]=None s 

 

0    None
1    None
2       a
dtype: object

然而這么就覺得完事大吉的話就圖樣圖森破了， 看下面的例子

 

s = Series([NaN,1]) s 

 

0    NaN
1    1.0
dtype: float64

 

s.replace([NaN], None) 

 

0    NaN
1    1.0
dtype: float64

 

s[s.isnull()] = None s 

 

0    NaN
1    1.0
dtype: float64

當其他數據是int或float時,Series又一聲不吭的自動把None替換成了NaN。

這時候可以使用第三種方法處理

 

s.where(s.notnull(), None) 

 

0    None
1       1
dtype: object

where語句會遍歷s中所有的元素，逐一檢查條件表達式， 如果成立， 從原來的s取元素； 否則用None填充。 這回沒有自動替換成NaN

None vs NaN要點總結

1. 在pandas中， 如果其他的數據都是數值類型， pandas會把None自動替換成NaN, 甚至能將s[s.isnull()]= None,和s.replace(NaN, None)操作的效果無效化。 這時需要用where函數才能進行替換。

2. None能夠直接被導入數據庫作為空值處理， 包含NaN的數據導入時會報錯。

3. numpy和pandas的很多函數能處理NaN，但是如果遇到None就會報錯。

4. None和NaN都不能被pandas的groupby函數處理，包含None或者NaN的組都會被忽略。

等值性比較的總結:（True表示被判定為相等）

	None對None	NaN對NaN	None對NaN
單值	True	False	False
tuple(整體)	True	True	False
np.array(逐個)	True	False	False
Series(逐個)	False	False	False
assert_equals	True	True	False
Series.equals	True	True	True
merge	True	True	True

由於等值性比較方面，None和NaN在各場景下表現不太一致，相對來說None表現的更穩定。

為了不給自己惹不必要的麻煩和額外的記憶負擔。 實踐中，建議遵循以下三個原則即可

• 在用pandas和numpy處理數據階段將None,NaN統一處理成NaN,以便支持更多的函數。
• 如果要判斷Series,numpy.array整體的等值性，用專門的Series.equals,numpy.array函數去處理，不要自己用==判斷 *　如果要將數據導入數據庫，將NaN替換成None