Hướng dẫn why am i getting nan in python? - tại sao tôi lại nhận được nan trong python?

Khi kiểm tra một số loại dữ liệu nhất định, bạn có thể gặp các giá trị NAN. Làm việc với Nans có thể bực bội vì họ không phải lúc nào cũng hành động như người ta mong đợi.

Về giá trị NAN:

• Nan là viết tắt của không phải là một số.

• Các giá trị NAN đại diện cho kết quả không xác định hoặc không thể hiện được từ các hoạt động toán học nhất định.

• Các hoạt động toán học liên quan đến NAN sẽ trả lại NAN hoặc tăng ngoại lệ.

• So sánh liên quan đến NAN sẽ trả về sai.

Kiểm tra các giá trị NAN

Để đảm bảo các thành phần dữ liệu không chứa các giá trị NAN, bạn có thể sử dụng hàm trợ giúp:

from math import isnan
from datatest import validate


data = [5, 6, float('nan')]

def not_nan(x):
    """Values should not be NaN."""
    return not isnan(x)

validate(data, not_nan)

Bạn cũng có thể làm điều này bằng cách sử dụng một trận đấu

from math import nan
from datatest import validate, accepted, Extra


data = [5, 6, float('nan')]
requirement = {5, 6}

with accepted(Extra(nan)):
    validate(data, requirement)

from math import isnan
from datatest import validate, Predicate


data = [5, 6, float('nan')]

requirement = ~Predicate(isnan)

validate(data, requirement)

Chấp nhận sự khác biệt của NaN

Nếu xác thực không thành công và trả về sự khác biệt của NAN, bạn có thể chấp nhận chúng như bất kỳ sự khác biệt nào khác:

from math import nan
from datatest import validate, accepted, Extra


data = [5, 6, float('nan')]
requirement = {5, 6}

with accepted(Extra(nan)):
    validate(data, requirement)

Giống như các giá trị khác, Nans cũng có thể được chấp nhận như một phần của danh sách, bộ hoặc ánh xạ các khác biệt:

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

Ghi chú

Giá trị

from math import nan
from datatest import validate, accepted, Extra


data = [5, 6, float('nan')]
requirement = {5, 6}

with accepted(Extra(nan)):
    validate(data, requirement)

from math import nan
from datatest import validate, accepted, Extra


data = [5, 6, float('nan')]
requirement = {5, 6}

with accepted(Extra(nan)):
    validate(data, requirement)

Bỏ Nans trước khi xác thực

Đôi khi, nó OK OK để bỏ qua các giá trị NAN hoàn toàn. Nếu điều này là phù hợp trong hoàn cảnh của bạn, bạn chỉ cần xóa tất cả các bản ghi NAN và xác thực dữ liệu còn lại.

Nếu bạn sử dụng gấu trúc, bạn có thể gọi các phương thức

from math import nan
from datatest import validate, accepted, Extra


data = [5, 6, float('nan')]
requirement = {5, 6}

with accepted(Extra(nan)):
    validate(data, requirement)

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

import pandas as pd
from datatest import validate


source = pd.Series([1, 1, 2, 2, float('nan')])

data = source.dropna()  # Drop NaN valued elements.
requirement = {1, 2}

validate(data, requirement)

Yêu cầu giá trị nan

Nếu cần thiết, nó có thể yêu cầu Nans xuất hiện trong dữ liệu của bạn. Nhưng việc đặt các giá trị NAN trực tiếp vào một yêu cầu có thể được thực hiện với các vấn đề và thường nên tránh. Cách mạnh mẽ nhất để làm điều này là bằng cách thay thế các giá trị NAN bằng mã thông báo đặc biệt và sau đó yêu cầu mã thông báo.

Dưới đây, chúng tôi xác định một đối tượng

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

Nếu bạn sử dụng gấu trúc, bạn có thể gọi các phương thức

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import pandas as pd
from datatest import validate


class NanToken(object):
    def __repr__(self):
        return self.__class__.__name__

NanToken = NanToken()


source = pd.Series([1, 1, 2, 2, float('nan')])

data = source.fillna(NanToken)  # Replace NaNs with NanToken.
requirement = {1, 2, NanToken}

validate(data, requirement)

Hiểu sâu hơn

Bình đẳng: Nan ≠ Nan¶

Các giá trị NAN don lồng so sánh bằng bất cứ thứ gì, ngay cả bản thân họ:

>>> x = float('nan')
>>> x == x
False

Để kiểm tra xem một giá trị là NAN, nó có phổ biến cho các mô -đun và gói để cung cấp chức năng cho mục đích này không (ví dụ:

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

>>> import math
>>> x = float('nan')
>>> math.isnan(x)
True

Mặc dù các giá trị NAN không thể được so sánh trực tiếp, chúng có thể được so sánh như là một phần của đối tượng khác biệt. Trên thực tế, các so sánh khác biệt coi tất cả các giá trị NAN là bằng nhau ngay cả khi loại cơ bản là khác nhau:

from math import isnan
from datatest import validate


data = [5, 6, float('nan')]

def not_nan(x):
    """Values should not be NaN."""
    return not isnan(x)

validate(data, not_nan)

Danh tính: Nan là Nan, ngoại trừ khi nó không phải là

Một số gói cung cấp một hằng số NAN có thể được tham chiếu trong mã người dùng (ví dụ:

from math import nan
from datatest import validate, accepted, Extra


data = [5, 6, float('nan')]
requirement = {5, 6}

with accepted(Extra(nan)):
    validate(data, requirement)

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

Để tối ưu hóa hiệu suất, Numpy và Pandas phải quản lý nghiêm ngặt các bố cục bộ nhớ của dữ liệu mà chúng chứa. Khi

from math import nan
from datatest import validate, accepted, Missing, Extra


data = [5, 6, float('nan')]
requirement = {5, 6, 7}

with accepted([Missing(7), Extra(nan)]):
    validate(data, requirement)

import pandas as pd
from datatest import validate


source = pd.Series([1, 1, 2, 2, float('nan')])

data = source.dropna()  # Drop NaN valued elements.
requirement = {1, 2}

validate(data, requirement)

import pandas as pd
from datatest import validate


source = pd.Series([1, 1, 2, 2, float('nan')])

data = source.dropna()  # Drop NaN valued elements.
requirement = {1, 2}

validate(data, requirement)

import pandas as pd
from datatest import validate


source = pd.Series([1, 1, 2, 2, float('nan')])

data = source.dropna()  # Drop NaN valued elements.
requirement = {1, 2}

validate(data, requirement)

import pandas as pd
from datatest import validate


source = pd.Series([1, 1, 2, 2, float('nan')])

data = source.dropna()  # Drop NaN valued elements.
requirement = {1, 2}

validate(data, requirement)

from math import isnan
from datatest import validate


data = [5, 6, float('nan')]

def not_nan(x):
    """Values should not be NaN."""
    return not isnan(x)

validate(data, not_nan)

Chúng tôi có thể xác minh rằng các loại bây giờ khác nhau:

from math import isnan
from datatest import validate


data = [5, 6, float('nan')]

def not_nan(x):
    """Values should not be NaN."""
    return not isnan(x)

validate(data, not_nan)

Nói chung, không an toàn khi cho rằng Nan là Nan. Điều này có nghĩa là để xác nhận đáng tin cậy, tốt nhất là loại bỏ các bản ghi NAN hoàn toàn hoặc thay thế chúng bằng một số giá trị khác.