最近在做数据处理的时候，遇到个让我欲仙欲死的问题，那就是数据中的空值该如何获取。
我的目的本来是获取数据中的所有非零且非空值，然后再计算获得到的所有数据计算均值，再用均值把0和空值填上。这个操作让我意识到了i is None/np.isnan(i)/i.isnull()之间的差别，再此做简单介绍：
1.关于np.nan：
先明确一个问题，即空值的产生只有np.nan()一种方法。
# np.nan()的一些奇妙性质：
np.nan == np.nan
>>> False
np.isnan(np.nan)
>>> True
np.nan is None
>>> False
type(np.nan)
>>> float总结一下：
- np.nan不是一个“空”对象，用 i is None判断是False；
- 对某个值是否为空值进行判断，只能用np.isnan(i)函数，万万不可用 i == np.nan()来做，否则你会死的很惨的，因为空值并不能用判断相等的“==”正确识别（上例前两条）；
- np.nan非空对象，其类型为基本数据类型float（是不是很神奇，我也不知道为什么要这样设计）
2.np.isnan()和pd.isnull()何时使用：
# 首先创建一个DataFrame：
bb = pd.DataFrame({'a':[0,1,2,np.nan]})
bb
>>> a
0 0.0
1 1.0
2 2.0
3 NaN
# 先测试一下np.isnan()
np.isnan(bb)
>>> a
0 False
1 False
2 False
3 True
# 值得一提的是，如果想获悉整个DataFrame有无空值，可以在此基础上这样做：
np.isnan(bb).all()
>>> a False
dtype: bool # 这行是指返回值的dtype
# 再测试一下isnull()
pd.isnull(bb)
>>> a
0 False
1 False
2 False
3 True
由上可见，其实np.isnan()和pd.isnull()都可以对不论是DataFrame、Python list还是仅仅一个数值进行空值检测。但一般在实际应用中，np.isnan()多用于单个值的检验，pd.isnull()用于对一个DataFrame或Series（整体）的检验。
此外，根据pandas官方文档和源代码，pandas提供的另一个函数pd.isna()与pd.isnull()完全一样。
上面提到的any()/all()函数，请见pandas文档：
其他与空值检测或删除相关的函数还有：notna()、fillna()、dropna()等等。实战中应灵活使用。