使用pandas的isna()方法可高效生成缺失值指示列，返回布尔序列后转为整型，1表示NaN、0表示非空，简洁可靠。

使用pandas的`isna()`方法可高效生成缺失值指示列，返回布尔序列后转为整型，1表示nan、0表示非空，简洁可靠。

在数据预处理中，将缺失值（NaN）转化为二元虚拟变量（dummy variable）是常见操作，尤其适用于建模前的特征工程。直接用 `== np.nan` 或字符串 `'Nan'` 判断均无效——因为根据IEEE标准，`np.nan != np.nan` 恒为 `True`，且NaN在pandas中是浮点型特殊值，不是字符串。

正确做法是使用pandas内置的 .isna() 方法，它专为识别各类缺失值（包括 np.nan、None、pd.NaT 等）而设计，返回布尔Series，再通过 .astype(int) 转换为0/1整数序列：

import pandas as pd
import numpy as np

# 构造示例数据
df = pd.DataFrame({'a': [3, 2, np.nan, 3, np.nan]}, index=[1, 2, 3, 4, 5])
df_miss_a = df["a"].isna().astype(int)
print(df_miss_a)

输出：

1    0
2    0
3    1
4    0
5    1
Name: a, dtype: int64

✅ 优势说明：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• .isna() 兼容所有pandas支持的缺失值类型，鲁棒性强；
• 链式调用简洁高效，无需循环或自定义函数；
• 返回结果可直接作为新列赋值，例如：df['df_miss_a'] = df['a'].isna().astype(int)。

⚠️ 注意事项：

立即学习“Python免费学习笔记（深入）”；

• 避免使用 df['a'] == np.nan（永远返回全False）或 df['a'].isin([np.nan])（因NaN不等于自身，该方式也不可靠）；
• 若需对多个列批量生成缺失指示变量，可用 df.isna().astype(int) 得到完整布尔矩阵；
• 在机器学习流程中，此类指示变量常与插补策略（如均值填充）配合使用，以保留缺失模式信息。

总之，.isna().astype(int) 是生成缺失值虚拟变量最推荐、最地道的pandas写法。