Pandas 缺失值最佳实践：用 pd.NA 解决缺失值的老大难问题

做数据处理的都知道，一个 NaN 就能让整个数据清洗流程崩盘。过滤条件失效、join 结果错乱、列类型莫名其妙变成 object——这些坑踩过的人应该都有所体会。而Pandas 引入的可空数据类型（nullable dtypes）就是来帮我们填这个坑的。

现在整数列终于能表示缺失了，布尔列不会再退化成 object，字符串列的行为也更可控，这样我们代码的逻辑可以变得更清晰。

NumPy 整数类型的历史遗留问题

早期NumPy 的 int 类型压根就不支持缺失值，只能选一个不太优雅的方案：要么转成 float 让 1, 2, NaN 变成 1.0, 2.0, NaN，要么直接用 object 类型塞 Python 的 None 进去。

前免得方法会带来浮点精度的麻烦和类型语义的混乱，而且还会站更多的内存，而后者直接把向量化计算的性能优势给废了。

Pandas 后来搞的可空数据类型（extension dtypes）用了另一套思路：单独维护一个 mask 来标记缺失位置。具体包括这几种：

• Int64、Int32、UInt8 等：真正支持 pd.NA 的整数类型
• boolean：三值布尔，可以是 True、False 或 pd.NA
• string：行为一致的文本类型，不会退化成 object
• Float64（nullable）：用 pd.NA 替代 np.nan 的浮点类型

这些类型统一用 pd.NA 表示缺失，不像以前 None、np.nan 混用，谁想怎么用就怎么用，没准自己都用不同的方法来表示缺失。

pd.NA 的三值逻辑

pd.NA 遵循类似 SQL 的三值逻辑规则：

• True & pd.NA 结果是 pd.NA
• False | pd.NA 结果还是 pd.NA
• 任何值和 pd.NA 做相等判断都返回 pd.NA，不是 True 也不是 False

这样设计的好处是把"未知"这个语义明确表达出来了。如果确实需要一个纯布尔 mask，用 fillna 转一下就行：

import pandas as pd  
s = pd.Series([True, pd.NA, False], dtype="boolean")  # mask is boolean + NA; many ops accept this.
mask = s & True           # -> [True, <NA>, False]  # When you must force a pure boolean array (e.g., .loc):
final_mask = mask.fillna(False)

所以我们现在尽量用 pd.NA，别再把 None 和 np.nan 混着用了，因为后者很容易让列类型退化成 object。

类型转换的基本操作

转成可空类型很简单，逐列指定就可以：

df = pd.DataFrame({  "user_id": [101, 102, None, 104],  "active":  [1,   None, 0,   1],  "email":   ["a@x", None, "c@x", "d@x"]  
})  df = df.astype({  "user_id": "Int64",     # 不是 int64  "active":  "boolean",   # 不是 bool  "email":   "string"     # 不是 object  
})

转回 NumPy 类型也简单，不过要注意缺失值的处理逻辑会变：

# Back to NumPy dtypes (careful: NA handling changes)
df["user_id_np"] = df["user_id"].astype("float64")  # NA -> NaN

实际场景：用户行为事件表

假设有个 Web 埋点数据，session ID 和购买标记都可能缺失，这种稀疏数据用可空类型处理起来就清爽多了：

events = pd.DataFrame({  "session_id": [123, 124, None, 126, 127, None],  "user_id":    [10,  10,  11,   11,  None, 13],  "purchased":  [1,   None, 0,    1,   None, None],  "amount":     [49,  None, None, 99,  None, None]  
}).astype({  "session_id": "Int64",  "user_id":    "Int64",  "purchased":  "boolean",  "amount":     "Int64"  
})  # How many known sessions and confirmed purchases?
events.agg({  "session_id": "count",        # ignores NA by default  "purchased":  lambda s: s.fillna(False).sum()  
})

不需要将整数转为浮点数，也不需要拖累性能的 object 列，"NA"和"False"的区别也很明确。

过滤、分组和 join 的变化

三值逻辑下，比较操作产生的 mask 里会包含 NA：

# Three-valued logic: comparisons with NA yield NA in the mask
mask = (events["amount"] > 50) & events["purchased"]  # -> boolean + NA  # Resolve NA explicitly for indexing:
filtered = events[mask.fillna(False)]

关键是要明确业务语义，用 fillna(False) 或 fillna(True) 把规则写清楚。

分组计算

# Average order amount per user, ignoring unknowns
order_stats = (events  .groupby("user_id", dropna=False)["amount"]  .mean())  # skipna=True by default

dropna=False 会保留 user_id = <NA> 的分组，排查数据质量问题时挺有用。

Join 的语义和 SQL 一致：NA 不等于 NA。

users = pd.DataFrame({  "user_id": [10, 11, 12],  "tier":    ["gold", "silver", "bronze"]  
}).astype({"user_id": "Int64", "tier": "string"})  joined = events.merge(users, on="user_id", how="left")

user_id 是 <NA> 的行不会匹配到任何记录。如果需要把缺失键当作特殊分组处理，merge 之前先 fillna 成哨兵值：

E = events.assign(user_id=events["user_id"].fillna(-1))  
U = users.assign(user_id=users["user_id"].fillna(-1))  
joined_special = E.merge(U, on="user_id", how="left")

string 和 boolean 类型的实用价值

string 比 object 靠谱

• 类型一致，不会混进各种 Python 对象
• 向量化的字符串方法行为更可预测
• 缺失值统一用 pd.NA，不会是 np.nan 或 None

emails = events["user_id"].astype("string")  # demo only  
# Realistic:  
customers = pd.Series(["a@x", None, "c@x"], dtype="string")  
customers.str.contains("@").fillna(False)

boolean 的三值语义

三值逻辑更贴合实际数据流程，尤其适合表示可选的布尔标记。

maybe = pd.Series([True, pd.NA, False], dtype="boolean")  
(maybe.fillna(False) & True).sum()  # treat unknown as False

IO 操作和 Arrow 后端

读取时可以直接指定可空类型：

df = pd.read_csv(  "data.csv",  dtype={"user_id": "Int64", "active": "boolean", "email": "string"},  na_values=["", "NA", "null"]  # map vendor missings to real NA  
)

文本数据量大或者对吞吐有要求的话，可以考虑 Arrow 后端。它的字符串存储更紧凑，某些操作也更快：

# Example: opt-in when reading (availability depends on your pandas build)
df_arrow = pd.read_csv(  "data.csv",  dtype_backend="pyarrow"  # uses Arrow dtypes where possible  
)

写 Parquet 时用可空类型能保持 schema 的完整性：

df.to_parquet("events.parquet", index=False)

性能和内存开销

可空整数和布尔类型保持了向量化特性，所以性能不会差。虽然达不到纯 NumPy 的极限速度，但分析场景下完全够用。

每个可空列会额外维护一个 mask，每个值占 1 bit。这点开销换来的正确性和可读性，这是很值得的。并且Arrow 后端的字符串类型在大文本列上通常更省内存，速度也更稳定。

几个常见的坑

1. 类型静默退化成 object

同一列里混用 None、np.nan 和实际值会导致类型变成 object，用 astype 转一下：

df["col"] = df["col"].astype("Int64")  # or boolean/string

2. 布尔索引中的 NA

比较操作会产生 NA，记得明确处理：

df[condition.fillna(False)]

3. 缺失键的 join

NA != NA，如果要把缺失值当一个分组，merge 前先填充：

events["user_id"].fillna(-1)

4. 别用浮点数存缺失的整数

直接用 Int64 + pd.NA，别再搞什么 float 转换了。

5. CSV 往返类型变化

读 CSV 时一定要指定 dtype 或 dtype_backend，并且规范化 na_values。

用 Parquet 保持 schema 一致性；文本列多的话测试下 Arrow 后端

总结

Pandas1.0引入的可空类型不只是修边角的细节优化，它把"缺失"这个语义明确编码进了类型系统。整数保持整数，布尔值该表示"未知"就表示"未知"，字符串就是字符串。过滤和 join 的逻辑变得更清楚，也更不容易出错。

https://avoid.overfit.cn/post/d595b7b6ff9148bc8adb8b8c133763b4

作者：Codastra