最常用且稳妥的缺失值统计方法是df.isnull().sum()，它返回每列缺失值数量的series；需注意返回类型为np.int64，用于json等场景时需转为python原生int。
用 isnull().sum() 直接统计每列缺失值数量
这是最常用也最稳妥的做法。Pandas 的 isnull() 返回布尔 DataFrame，sum() 默认按行求和（即对 True 计数），所以直接链式调用就能拿到每列的缺失值个数。
- 别写
df.isnull().sum(axis=0)——axis=0是默认值，多写反而容易看漏 - 如果想看总缺失数，用
df.isnull().sum().sum()，外层sum()是对 Series 求和 -
isnull()和isna()完全等价，但团队里统一用一个就行，混用会增加代码审查负担
统计结果是 int64 类型，但注意它不是普通 Python int
返回的是 Pandas Series，每个值是 np.int64。这在做条件判断或传给某些函数时可能出问题：
- 比如
if df.isnull().sum()['col'] > 0:没问题；但json.dumps(...)会报错，得先转成 Python 原生类型：int(df.isnull().sum()['col']) - 导出到 Excel 或 CSV 通常自动兼容，但用在配置文件生成或 API 响应里要主动转换
- 用
.values.tolist()可一次性转为原生 Python 列表
想只看有缺失值的列？加个布尔索引就行
全量输出有时信息过载，尤其列数多的时候。用一行过滤就能聚焦问题列：
df.isnull().sum()[df.isnull().sum() > 0]
- 别用
df.isnull().sum().where(lambda x: x > 0)—— 会保留 NaN 占位，显示不干净 - 更简洁写法：
missing = df.isnull().sum(); missing[missing > 0]，避免重复计算 - 如果后续还要排序，加
.sort_values(ascending=False)，一眼看到缺失最多的列
isnull() 对不同数据类型的处理差异
它不是简单看值是否为 None，而是按 Pandas 内部缺失标识来判断：
-
NaN（float 列）、NaT（datetime 列）、None（object 列）都会被识别 - 空字符串
''、字符串'NULL'、数值0都不会被当成缺失 —— 这点常被误以为“没检测出来” - 如果业务上把
-999当作缺失码，得手动处理：df.replace(-999, np.nan).isnull().sum()
