- In [59]: type(None)
- Out[59]: NoneType
NoneType 类型没有对外公开属性和方法:
因此,None 比较容易理解,就是一种空类型。
但是使用过 NumPy 的肯定都会接触到 nan 这种类型,它的其他写法:NaN或 NAN,查看其类型却发现是 float 类型:
- In [63]: type(np.nan)
- Out[63]: float
这不免让人心生疑惑,nan 不是空数据,而是浮点数,那么到底等于多少?
原来这并不是NumPy特有的数值,而是IEEE754规定的特殊浮点数之一。
特殊在哪里?
这就要知道计算机是如何表示浮点数的,IEEE754 标准中规定 float 单精度浮点数,在机器中表示用 1 位表示数字的符号,用 8 位表示指数,用 23 位表示尾数,即小数部分,如下图所示:
对于单浮点数,指数部分由8位组成,所以取值范围:0到255,而指数等于0,255 这两个值,IEEE754 标准有特别的规定:
- 当指数等于0,并且小数点后所有位全为 0,则这个数为 0
- 当指数等于255,并且小数点后所有位全为 0,则这个数为无穷,当符号位为0时正无穷 float('inf'),当符号位为1时负无穷 float('-inf')
- 当指数等于255,并且小数点后至少一位不为 0,规定此浮点数为 nan,表达的含义:not a number ,不是一个数
以上就是 NumPy 中 nan 的解释,弄清楚本质后,再来看几个关于它的运算。
既然 nan 不是一个数,所以拿它与任何浮点数比较,返回结果都是 False:
- In [64]: np.nan < 0
- Out[64]: False
-
- In [65]: np.nan == np.nan
- Out[65]: False
-
- In [66]: np.nan < np.inf
- Out[66]: False
找出 np.nan 出现的索引位置,可以使用 isnan 方法:
- In [67]: a = np.array([-9,np.nan,10,np.nan])
- # 找出np.nan出现的索引
- In [68]: a.where(np.isnan(a))
- # 返回结果
- # (array([1, 3]),)