在pandas的数据处理场景中，pd.NA和np.nan是两种常见的缺失值类型，二者在混合计算时的行为存在差异，理解这些差异是正确处理缺失数据的基础。
pd.NA与np.nan的基本区别
np.nan是numpy库定义的缺失值，属于浮点类型，而pd.NA是pandas 1.0之后引入的缺失值标记，设计上更适配pandas的各类数据类型，二者在属性和行为上有明显不同：
- np.nan在参与运算时，大部分算术运算结果仍为np.nan，逻辑判断中np.nan == np.nan返回False
- pd.NA采用三值逻辑，参与运算时遵循缺失值传播规则，同时支持更多pandas专属类型的缺失标记
混合计算的常见场景与行为
算术运算场景
当pd.NA和np.nan同时出现在算术运算中时，结果通常遵循缺失值传播规则，具体行为可以通过代码验证：
import pandas as pd import numpy as np # 创建包含两种缺失值的Series s1 = pd.Series([1, pd.NA, np.nan, 4]) s2 = pd.Series([2, 3, pd.NA, np.nan]) # 执行加法运算 result_add = s1 + s2 print(result_add)
上述代码执行后，结果中只要对应位置存在pd.NA或np.nan，计算结果就会是pd.NA，这是因为pandas在混合计算时会统一将np.nan视为缺失值，和pd.NA遵循相同的传播逻辑。
聚合计算场景
在聚合计算时，二者的混合存在会影响聚合结果，默认情况下pandas的聚合函数会忽略缺失值：
import pandas as pd import numpy as np # 创建混合缺失值的Series s = pd.Series([1, 2, pd.NA, np.nan, 5]) # 计算均值 mean_result = s.mean() print(mean_result) # 输出2.6666666666666665，即(1+2+5)/3
可以看到，无论是pd.NA还是np.nan，在mean、sum等聚合函数中都会被自动忽略，不会参与计算。
逻辑判断场景
逻辑判断场景下，二者的行为存在细微差异，pd.NA遵循三值逻辑，而np.nan的判断结果更偏向常规缺失值逻辑：
import pandas as pd import numpy as np # 判断是否为缺失值 print(pd.isna(pd.NA)) # 输出True print(pd.isna(np.nan)) # 输出True # 等值判断 print(pd.NA == np.nan) # 输出<NA> print(np.nan == np.nan) # 输出False
因此在进行缺失值判断时，不要使用等值判断，统一使用pd.isna()或pd.notna()方法，才能同时正确识别两种缺失值。
混合缺失值的处理方法
如果需要对混合了pd.NA和np.nan的数据做统一处理，可以采用以下方法：
统一转换缺失值类型
可以将所有的np.nan转换为pd.NA，方便后续统一处理：
import pandas as pd import numpy as np s = pd.Series([1, pd.NA, np.nan, 4]) # 将np.nan替换为pd.NA s_clean = s.replace(np.nan, pd.NA) print(s_clean)
填充缺失值
使用fillna方法可以同时填充两种缺失值：
import pandas as pd import numpy as np s = pd.Series([1, pd.NA, np.nan, 4]) # 用0填充所有缺失值 s_filled = s.fillna(0) print(s_filled)
自定义计算逻辑
如果需要自定义混合计算规则，可以使用mask或者apply方法实现：
import pandas as pd
import numpy as np
df = pd.DataFrame({
'a': [1, pd.NA, np.nan],
'b': [2, 3, 4]
})
# 自定义计算：如果a是缺失值则用b的值，否则相加
df['c'] = df.apply(lambda x: x['b'] if pd.isna(x['a']) else x['a'] + x['b'], axis=1)
print(df)
注意事项
在处理混合缺失值时，需要注意不同pandas版本的行为可能存在差异，建议保持pandas版本在1.0以上，同时尽量避免在同一数据集中同时保留两种缺失值，优先使用pd.NA作为统一的缺失值标记，减少不必要的计算问题。