np.nan 是 NumPy 中遵循 IEEE 754 标准的浮点型特殊值，类型为 float，参与运算结果恒为 np.nan，不等于自身，须用 np.isnan() 检测，不可用 == 或 in 判断。
np.nan 是什么？不是 None，也不是字符串
np.nan 是 NumPy 中一个具体的 float 类型值，不是 Python 原生的 None，也不是字符串 "NaN"。它来自 IEEE 754 浮点标准——当浮点数的指数全为 1 且尾数非零时，就被解释为 NaN。这意味着：
• type(np.nan) == float，能参与数值计算（比如加减乘除），但结果恒为 np.nan
• np.nan == np.nan 返回 False，必须用 np.isnan() 判断
• None 和 np.nan 混在同一个数组里会触发类型提升（如转成 object），后续 np.isnan() 会报错
为什么任何运算遇到 np.nan 都变成 np.nan？
这不是 NumPy 的“bug”，而是 IEEE 754 标准强制要求的行为：NaN 表示“未定义的结果”，例如 0/0、inf - inf、sqrt(-1)（在实数域）。一旦引入 NaN，整个计算链就失去确定性语义，所以标准规定：
• np.nan + 1 → np.nan
• np.nan * 0 → np.nan（注意：不是 0！）
• np.nan > 5 → False（比较运算全部返回 False，连 != 都不例外）
• 这个特性让 NaN 具有“传染性”，对调试很友好——只要结果是 np.nan，说明上游某处已经失守
怎么安全地检测和替换 np.nan？别用 == 或 in
常见错误是写 a == np.nan 或 np.nan in a，这两者永远得不到正确结果。
• 必须用 np.isnan(a) 检测，它返回布尔数组，支持标量、一维/二维数组
• 替换推荐用 np.where() 或直接索引赋值：
mask = np.isnan(a)<br>a[mask] = 0 # 直接原地改<br># 或<br>a = np.where(np.isnan(a), 0, a)
• 注意：
pd.DataFrame.fillna() 在底层也依赖 np.isnan()，但 pandas 对 object 列更宽容；NumPy 数组若含 None，先得统一转成 float64 再处理
np.nan 和 NaN、NAN、np.NaN 有什么区别？
它们本质相同，但用法有约定：
• np.nan 是唯一推荐写法，小写、无括号、无引号
• np.NaN 和 np.NAN 是别名，存在只为兼容旧代码，官方文档明确建议“use nan instead of NAN”
• float('nan') 等价于 np.nan，但多一次解析开销，无必要不这么写
• 字符串 "NaN" 是纯文本，跟数值 NaN 完全无关，混入数组会导致 dtype 变成 object，后续所有 np.isnan() 调用都会抛 TypeError
NaN 的“传染性”和不可比较性，是设计使然，不是缺陷。真正容易出问题的地方，往往不在生成 NaN，而在于忘了它不能用 == 判断、不能出现在布尔索引条件里、也不能和 None 混用——这些地方一踩就静默失败。
