NaN不能存入Python标准set，因IEEE 754规定NaN≠NaN，导致set依赖的哈希与相等性判断失效；应改用pandas的pd.unique()、dropna()后转set，或用isin().any()判断存在性。
NaN 不是普通值，不能用 == 或 in 判断，也不能直接放进 Python 的 set（因为 NaN != NaN），所以“集合中的 NaN”本质上是个伪命题——标准 set 无法容纳多个 NaN，甚至无法可靠判断它是否存在。真正需要处理的，通常是 list、Series 或 DataFrame 中混有 NaN 的情况，再考虑去重、过滤或统计等类似集合操作。
为什么 set 里放不了 NaN？
IEEE 754 规定 NaN 不等于自身：np.nan == np.nan 返回 False。而 Python 的 set 依赖哈希和相等性判断来去重，当两个 NaN 被插入 set 时，系统无法确认它们是否“相同”，实际行为是：第一个 NaN 可能被存入，后续 NaN 往往被忽略或导致不可预期结果。这不是 bug，而是浮点标准的固有特性。
替代方案：用 pandas 或 numpy 安全处理含 NaN 的“类集合”操作
若目标是去重、筛选或统计非空唯一值，推荐以下做法：
-
去重并保留非 NaN 值：先用
dropna()清洗，再转 set 或用unique()
series_clean = series.dropna()<br>unique_values = set(series_clean)
-
保留 NaN 作为一类特殊标记：用
pd.unique()（它专为 pandas 设计，能正确识别 NaN 为一个独立元素）pd.unique([1, 2, np.nan, 2, np.nan])→array([1., 2., nan]) -
判断某值是否在含 NaN 的序列中：不要写
val in series，改用series.isin([val]).any()（自动兼容 NaN）或显式检查：(series == val).any() | (pd.isna(val) & series.isna().any())
对 list 做“类集合”清洗的实用写法
如果原始数据是 list，且含 NaN（如 [1, np.nan, 2, np.nan]），可这样安全提取唯一非空值：
- 过滤 NaN 后转 set：
set(x for x in my_list if not pd.isna(x)) - 用 numpy 掩码：
arr = np.array(my_list)<br>set(arr[~np.isnan(arr)])
（仅适用于全数值） - 保留原始类型（如含字符串和 NaN）：
set(filter(lambda x: not pd.isna(x), my_list))
别踩坑：这些操作会出错
以下写法看似简洁，实则危险：
-
set(my_list)—— 若 list 含 NaN，结果不确定，可能丢值或报错 -
np.nan in my_list—— 永远返回False（因np.nan == np.nan为 False） -
my_list.count(np.nan)—— 返回 0，不可靠 - 用
dict.fromkeys(my_list)去重 —— NaN 键会被覆盖或失效
