引用地址：http://www.huochai.mobi/p/d/6669256/
支持写入数据库
往数据库中写入时NaN不可处理，需转换成None,否则会报错。这个这里就不演示了。
相信作为pandas老司机， 至少能想出两种替换方法。
In[53]:
s=Series([None,NaN,'a'])
s
Out[53]:
0None
1NaN
2a
dtype:object
方案１
In[54]:
s.replace([NaN],None)
Out[54]:
0None
1None
2a
dtype:object
方案２
In[55]:
s[s.isnull()]=None
s
Out[55]:
0None
1None
2a
dtype:object
然而这么就觉得完事大吉的话就图样图森破了， 看下面的例子
In[56]:
s=Series([NaN,1])
s
Out[56]:
0NaN
11.0
dtype:float64
In[57]:
s.replace([NaN],None)
Out[57]:
0NaN
11.0
dtype:float64
In[58]:
s[s.isnull()]=None
s
Out[58]:
0NaN
11.0
dtype:float64
当其他数据是int或float时,Series又一声不吭的自动把None替换成了NaN。
这时候可以使用第三种方法处理
In[59]:
s.where(s.notnull(),None)
Out[59]:
0None
11
dtype:object
where语句会遍历s中所有的元素，逐一检查条件表达式， 如果成立， 从原来的s取元素； 否则用None填充。 这回没有自动替换成NaN
None vs NaN要点总结
在pandas中， 如果其他的数据都是数值类型， pandas会把None自动替换成NaN, 甚至能将s[s.isnull()]= None,和s.replace(NaN, None)操作的效果无效化。 这时需要用where函数才能进行替换。
None能够直接被导入数据库作为空值处理， 包含NaN的数据导入时会报错。
numpy和pandas的很多函数能处理NaN，但是如果遇到None就会报错。
None和NaN都不能被pandas的groupby函数处理，包含None或者NaN的组都会被忽略。
等值性比较的总结:（True表示被判定为相等）
None对NoneNaN对NaNNone对NaN
单值TrueFalseFalse
tuple(整体)TrueTrueFalse
np.array(逐个)TrueFalseFalse
Series(逐个)FalseFalseFalse
assert_equalsTrueTrueFalse
Series.equalsTrueTrueTrue
mergeTrueTrueTrue
由于等值性比较方面，None和NaN在各场景下表现不太一致，相对来说None表现的更稳定。
为了不给自己惹不必要的麻烦和额外的记忆负担。 实践中，建议遵循以下三个原则即可
在用pandas和numpy处理数据阶段将None,NaN统一处理成NaN,以便支持更多的函数。
如果要判断Series,numpy.array整体的等值性，用专门的Series.equals,numpy.array函数去处理，不要自己用==判断 *
如果要将数据导入数据库，将NaN替换成None
