这里用到的对象是不含空格输入的DataFrame。
判断数值型：

print(arr[pd.isna(arr['numTest'])==True])
print(arr[pd.isnull(arr['numTest'])==True])
print(arr[np.isnan(arr['numTest'])==True])
# print(arr[np.isnat(arr['numTest'])==True])  #这一句报错:TypeError: ufunc 'isnat' is only defined for datetime and timedelta.
输出结果都是：
 
numTest   timeTest strTest strTest_1
2      NaN 2019-08-10     NaN       nan
4      NaN        NaT    four      four
判断时间型：
 
print(arr[pd.isna(arr['timeTest'])==True])
print(arr[pd.isnull(arr['timeTest'])==True])
# print(arr[np.isnan(arr['timeTest'])==True])  #这一句报错：TypeError: ufunc 'isnan' not supported for the input types
print(arr[np.isnat(arr['timeTest'])==True])
# print(arr[arr['timeTest']==pd.NaT])  #这一句返回空的DataFrame
输出结果都是：
 
numTest timeTest strTest strTest_1
3      3.0      NaT   three     three
4      NaN      NaT    four      four
判断字符串型：
 
print(arr[pd.isna(arr['strTest'])==True])
print(arr[pd.isnull(arr['strTest'])==True])
# print(arr[np.isnan(arr['strTest'])==True])  #这一句报错：TypeError: ufunc 'isnan' not supported for the input types
# print(arr[np.isnat(arr['strTest'])==True])  #这一句报错：TypeError: ufunc 'isnat' is only defined for datetime and timedelta
输出结果：
 
numTest   timeTest strTest strTest_1
2      NaN 2019-08-10     NaN       nan
5      4.0 2020-08-10     NaN       nan
判断更改类型后的列：
 
# print(arr[pd.isna(arr['strTest'])==True])  #这一句返回空的DataFrame
# print(arr[pd.isnull(arr['strTest_1'])==True])  #这一句返回空的DataFrame
# print(arr[np.isnan(arr['strTest_1'])==True])  #这一句报错：TypeError: ufunc 'isnan' not supported for the input types
# print(arr[np.isnat(arr['strTest_1'])==True])  #这一句报错：TypeError: ufunc 'isnat' is only defined for datetime and timedelta
# print(arr[arr['strTest_1']==np.nan])  #这一句返回空的DataFrame
print(arr[arr['strTest_1']=='nan'])
输出结果：
 
numTest   timeTest strTest strTest_1
2      NaN 2019-08-10     NaN       nan
5      4.0 2020-08-10     NaN       nan
通过以上的实验，我们可以知道：
 1、判断数值是否为空，可以用pd.isna,pd.isnull,np.isnan；
 2、判断字符串是否为空，可以用pd.isna,pd.isnull；
 3、判断时间是否为空，可以用pd.isna,pd.isnull，np.isnat；
 4、判断转换类型后的字符串，空值也转换成了字符串nan，所以不能用常规方法判断了，直接判断字符串是否相等即可。
                                    实际项目中有这样的需求，将某一列的值，映射成类别型的数据，这个时候，需要我们将范围等频切分，或者等距切分。
具体的做法可以先看某一些特征的具体分布情况，然后我们选择合适的阈值进行分割。
def age_map(x):
 if x < 26>=26 and x <= 35:
  return 1
 elif x > 35 and x <= 45:
  return 2
 elif pd.isnull(x): #判断是否为NaN值，== 和in 都无法判断
  return 3
 else:
  return 4
也就是用pandas自带的函数来表示：
                                    2.series和dataframe不一样，条件判断时直接“ series == 某值 ”获得所有索引，而dataframe需要dataframe['列名' ] == 某值 或“ dataframe.列名 == 某值 ”，来获得索引。print( df_2[ s_1 == False ] ) #得到series等于False的行索引，就可以用另一个表格通过这个索引值来操控其他需要的表格如df_2了。1.判断某列为空值，用pd.isna(df['列名'])方法，获得数据为True和False的series。
                                    pandas基于numpy，所以其中的空值nan和numpy.nan是等价的。numpy中的nan并不是空对象，其实际上是numpy.float64对象，所以我们不能误认为其是空对象，从而用bool(np.nan)去判断是否为空值，这是不对的。
   对于pandas中的空值，我们该如何判断，并且有哪些我们容易掉进去的陷阱，即不能用怎么样的方式去判断呢？
可以判断pand......
                                    在pandas中，如果需要查看column的类型，一般使用               
df.dtypes方法，它将返回每个列的数据类型。但实践中，有时会出现需要包含多种数据类型的场景，或者dataFrame包含的表格出错，出现了多种数据类型。为了观察dataFrame中的所有类型在列中的分布情况，我们写了对应的检查函数。
df.isna()：与 df.isnull() 等价。
df.notnull()：与 df.isnull() 相反，返回一个布尔类型的数据框，表示各个位置是否不是空值。
import pandas as pd
df = pd.DataFrame({'A': ...
dates = pd.date_range("20200307", periods=4)
df1 = pd.DataFrame(np.arange(12).reshape(4, 3), index=dates, columns=["A", "B", "C"])
df2 = pd.Da...
有时我们用pandas读取Excel去获取某列或者某几列的值，并需要对该列的值进行处理，首先要判断该列是否有空值，若有空值不做判断可能程序会报错，比如用正则表达式去匹配该列的所有单元格的值，这时若某个单元格为空值则会报错。
我们可以将空值找出，并做判断，若不为空再进行匹配;
正常情况pandas读取的空值都会显示NaN,若我们用df[i] == np.nan 去判断这显示为False,i这里代表索引。达不到我们想要的目的，建议用df.isnull()进行判断。
这里我们知道第二行