NumPy中缺失值统一用np.nan表示，仅兼容浮点类型；整型或字符串数组赋np.nan会触发类型转换或报错；判断缺失需用np.isnan()而非==；统计需用np.nanmean等函数；混合类型数据建议改用pandas。
NumPy中np.nan不是“空值”，而是浮点型特殊标记
NumPy本身不支持None或SQL风格的NULL，所有缺失值统一用np.nan（Not a Number）表示——但它只兼容浮点类型。一旦数组是int、bool或str，直接赋np.nan会触发静默类型转换或报错。
- 整型数组赋
np.nan：自动转为float64，原类型丢失 - 字符串数组赋
np.nan：抛出TypeError: Cannot convert float NaN to integer（实际是类型不匹配） -
np.array([1, 2, None])：None被转成np.nan，但dtype变成float64，且无法区分“原始None”和“计算产生的NaN”
所以别指望用arr == np.nan判断缺失——它永远返回False。必须用np.isnan(arr)。
用np.where和np.nanmean做条件填充与聚合
处理缺失值最常见动作是“用均值/中位数填充”或“跳过缺失值计算统计量”。关键在于函数是否默认忽略np.nan：
-
np.mean(arr)遇到np.nan直接返回np.nan；必须显式写np.nanmean(arr) -
np.std/np.var同理，对应有np.nanstd、np.nanvar - 填充时别直接
arr[np.isnan(arr)] = np.nanmean(arr)——这会改变原数组dtype（尤其当原为int）；建议先arr = arr.astype(float)再操作 - 多维数组要指定
axis：np.nanmean(arr, axis=0)按列求均值，结果形状为(n_cols,)
示例：
import numpy as np<br>arr = np.array([1.0, 2.0, np.nan, 4.0])<br>filled = np.where(np.isnan(arr), np.nanmean(arr), arr) # → [1. 2. 2.333 4.]
立即学习“Python免费学习笔记（深入）”；
混合类型数据？别硬扛，该换pandas就换
NumPy对缺失值的支持本质是“妥协方案”：它要求整个数组统一dtype，而真实数据常含整数、字符串、时间戳混杂。此时强行用object dtype存，会导致：
-
np.isnan()在object数组上失效（报TypeError） - 无法使用向量化函数（如
np.sum），性能暴跌 - 缺失标识混乱：
None、np.nan、空字符串''可能并存，且np.isnan只认后者
如果数据含非数值列、需分列填充策略、或要保留原始类型，直接转pandas.DataFrame更可靠：df.fillna({'col_a': 0, 'col_b': 'unknown'})比手写循环清晰得多。
序列化时np.nan会变成null，但JSON不认inf
用json.dumps(arr.tolist())导出NumPy数组时，np.nan→null，np.inf→Infinity（JSON非法）。若后端是严格JSON解析器，会报错。
- 安全做法：导出前用
np.nan_to_num(arr, nan=0.0, posinf=1e10, neginf=-1e10)替换极端值 - 或改用
numpyEncoder类重写json.JSONEncoder，但多数场景不如先转pandas再用df.to_json(orient='records', na='null') - 注意
np.nan_to_num默认把inf转成np.finfo(float).max，这个值可能超出下游系统接收范围
真正麻烦的是那种“以为填了均值就万事大吉，结果导出时inf炸了接口”的情况——得在序列化前加一道检查：np.isfinite(arr).all()。
