numpy.isnan()是唯一靠谱的NaN检测方式，它基于IEEE 754标准底层调用C级isnan()函数，正确识别float32/float64/complex中的NaN，而==和is均失效。
numpy.isnan() 是唯一靠谱的 NaN 检测方式
用 == 或 is 判断 NaN 会永远返回 False，因为 IEEE 754 规定 NaN ≠ NaN。只有 numpy.isnan() 能正确识别浮点型 NaN 值，它底层调用的是 C 级别的 isnan() 函数，对 np.float32、np.float64 和 np.complex 类型安全有效。
常见错误现象：a[ a == np.nan ] 返回空数组；a is np.nan 报 ValueError: The truth value of an array with more than one element is ambiguous。
-
numpy.isnan()返回布尔数组，天然适配 NumPy 掩码索引 - 对非数值类型（如
objectdtype）会抛TypeError，不是所有数组都能直接用 - 如果数组含字符串或混合类型，得先用
pd.isna()（Pandas）或手动过滤 dtype
掩码索引时必须注意 dtype 和形状对齐
用 numpy.isnan() 得到布尔掩码后，直接用于索引是最快路径，但容易因维度不匹配报错。尤其在多维数组中，np.isnan(a) 返回和 a 同 shape 的布尔数组，但若后续做 a[mask]，结果是一维展平数组 —— 这常被误以为“丢数据”。
使用场景：清洗传感器数据、替换缺失值、统计有效样本数。
立即学习“Python免费学习笔记（深入）”；
- 二维数组想按行保留全非 NaN 的行？用
a[np.all(np.isnan(a), axis=1) == False]，别漏axis=1 - 想原地把 NaN 替成 0？写
a[np.isnan(a)] = 0，不是a = np.where(np.isnan(a), 0, a)（后者新建数组，更慢） - 如果
a.dtype是object，np.isnan(a)会炸，得先转成数值型或用np.vectorize(lambda x: isinstance(x, float) and np.isnan(x))
nan 与 None、pd.NA、inf 的行为差异
numpy.isnan() 只认 IEEE NaN，对 Python None、Pandas 的 pd.NA、NumPy 的 np.inf 全部返回 False。这不是 bug，是设计使然 —— 它只负责浮点异常值检测。
性能影响：在纯数值数组上，np.isnan() 比 pd.isna() 快 3–5 倍，因为无 Pandas 元数据开销；但若数组本身来自 DataFrame，直接用 df.isna() 更省心。
-
np.isnan(np.inf)→False；np.isnan(None)→TypeError - 混合了
np.nan和None的object数组？pd.isna()是唯一通用解法 - 需要同时检测 NaN 和 inf？用
np.isfinite()取反，即~np.isfinite(a)
dtype 为整数时 isnan 会静默失败
整数数组（int32、int64）根本存不了 NaN —— NumPy 会自动转成 float64 才允许插入 NaN。所以如果你看到一个 “整数数组里有 NaN”，那它实际 dtype 已是 float64，只是显示时用了整数格式（比如 array([1., nan, 3.])）。
容易踩的坑：用 a.astype(int) 强转含 NaN 的数组，会变成 -2147483648（溢出值），而不是报错。
- 检查前先看
a.dtype，别凭打印结果判断类型 - 想安全转回整数？先用
a[~np.isnan(a)].astype(int)过滤 NaN 再转 - 创建新数组时明确指定
dtype=float，避免隐式转换带来 dtype 不一致问题
