В чем разница между NaN и None в Python

Что проверяют

Умеете ли вы работать с пропусками в данных, а не только отличать два объекта в чистом Python. На data-ml собеседовании почти сразу следует уточнение: во что превратится None в колонке pandas и как посчитать пропуски в датафрейме.

Как отвечать

Начните с природы значений:

• None: единственный экземпляр NoneType, «значения нет» на уровне языка. Проверяется через is None, в арифметике падает с TypeError;
• NaN: специальное значение float из стандарта IEEE 754, результат неопределённой операции вроде 0 * inf. np.nan это обычный питоновский float, а не отдельный тип NumPy. Главное свойство: NaN не равен ничему, даже себе, поэтому x == np.nan всегда False.

Дальше переходите к pandas, ради этого и спрашивают:

• в числовой колонке None при создании превращается в NaN, а целочисленная колонка с пропуском становится float64;
• в колонке object None остаётся None, и в одной колонке могут жить оба вида пропусков;
• pd.isna() и df.isna().sum() ловят и None, и NaN, и NaT для дат, поэтому проверять лучше ими;
• агрегаты pandas по умолчанию пропуски игнорируют (skipna=True), а np.mean на массиве с NaN вернёт NaN, для этого есть np.nanmean;
• nullable-типы Int64, boolean, string используют pd.NA и позволяют держать целые числа с пропусками без перехода во float.

Хорошо закончить практикой: NaN может означать и «не заполнили», и «деление на ноль при расчёте признака», а для импутации это разные случаи.

Где спотыкаются

Фильтруют пропуски через df[df.col == np.nan] и получают пустой результат. Нужен isna().

Считают np.isnan() универсальной проверкой. На None и на строках он падает с TypeError, в колонке object он бесполезен.

Не замечают, что после появления пропуска колонка с идентификаторами стала float64, и при джойне или выгрузке 123 превращается в 123.0. Лечится явным astype("Int64").