np.nan == np.nan 恒为 False，因 IEEE 754 标准规定 NaN 不等于任何值（含自身），Python、NumPy、math 均严格遵循；检测 NaN 必须用 isnan() 等专用函数，不可用 ==。
np.nan == np.nan 为什么恒为 False
因为这是 IEEE 754 浮点数标准的强制规定，不是 Python 的“bug”或设计失误。NaN（Not a Number）在硬件和数学语义上被定义为“不可比较”的值：它不等于任何东西，包括自己。
Python 完全遵循该标准——float('nan')、np.nan、math.nan 都共享这一行为。所以以下全部返回 False：
np.nan == np.nanfloat('nan') == float('nan')math.nan == math.nan
这不是 Python 层面能绕过的逻辑，而是 CPU 浮点单元（FPU）直接返回的结果。
用什么替代 == 来检测 NaN
必须使用专用检测函数，不能靠比较。不同场景对应不同工具：
- 单个浮点数：用
math.isnan(x)（仅接受float类型，传入int或str会报TypeError） - NumPy 数组：用
np.isnan(x)（支持标量、数组，对非数值类型如str返回False） - Pandas Series/DataFrame：用
pd.isna(x)或pd.isnull(x)（统一处理np.nan、None、pd.NA，且对字符串、对象列也安全）
注意：pd.isna() 是最宽泛的选择，但开销略高；np.isnan() 最快，但只认浮点；math.isnan() 最轻量，但类型最敏感。
sorted() 和 max() 里混入 NaN 会出什么问题
根本原因是所有比较运算符（、、==、>、>=）对 NaN 均返回 False，导致排序算法无法建立全序关系。
Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景，可作为自动化工作流的一部分，也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期，并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看，该技能
例如：
import numpy as np sorted([1, np.nan, 3]) # 结果不确定：可能 [1, 3, nan]，也可能 [nan, 1, 3]，取决于插入顺序
Timsort 在比较 np.nan 时得到 False，又比较 1 还是 False，于是无法判断谁该在前——它只能退化为保留原始位置或依赖内部实现细节。
类似地，max([np.nan, 5]) 返回 np.nan，而 max([5, np.nan]) 返回 5，因为 max() 内部逻辑等价于逐对比较并取“不小于对方”的那个，而 NaN 永远不小于任何数。
容易忽略的隐性陷阱
真实数据中，NaN 往往不是孤立存在的。几个关键盲区：
-
None在 Pandas 中会被自动转为np.nan，但在纯 Python 列表里仍是None；np.isnan(None)直接报错，而pd.isna(None)返回True - 字符串型缺失（如
'NULL'、'N/A'、空格' '）完全逃逸np.isnan()和math.isnan()的检测范围 -
np.nan in [1, 2, np.nan]返回True，但这是靠对象身份（is）匹配，不是值比较；一旦列表来自 Pandas 转换或 JSON 解析，行为可能变化
最危险的是：你写了 if x == np.nan:，它永远不进分支，还不会报错——静默失效比报错更难调试。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
