pd.NA不是NaN升级版，而是依赖可空类型（如"Int64"）的独立缺失值表示；replace(np.nan, pd.NA)无效因不改类型，需先astype或convert_dtypes；read_csv需na_values+dtype_backend；fillna保持类型；三值逻辑中True & pd.NA返回pd.NA。
pd.NA 不是 NaN 的“升级版”，而是语义和类型体系完全不同的缺失值表示——它不依赖浮点数，也不强制列升格为 float64，但必须配合可空类型（如 "Int64"、"boolean"、"string"）才能生效。
为什么直接 df["col"] = df["col"].replace(np.nan, pd.NA) 不起作用？
因为 replace() 只改值，不改类型；原列若为 float64，pd.NA 会被静默转成 np.nan 或引发 TypeError。真正触发 pd.NA 语义的，是类型系统本身。
- 旧列含
np.nan→ 类型是float64→ 赋值pd.NA失败或退化 - 必须先声明/转换为可空类型：用
astype("Int64")或convert_dtypes() -
convert_dtypes()会自动选"Int64"、"boolean"等，但前提是原列中非空值类型一致（比如不能混数字和字符串）
read_csv 时怎么让 "NA" 字符串变成真正的 pd.NA？
PyArrow 引擎（Pandas 2.0 默认）严格区分数据和缺失语义："NA" 默认就是字符串，不是缺失值。
- 必须在加载阶段显式声明：
pd.read_csv("data.csv", na_values=["NA", "NULL", ""], dtype_backend="pyarrow") - 如果已读入且列是
string[pyarrow]，里面存着"NA"字符串，df["col"].isna()返回全False -
df["col"].replace("NA", pd.NA)仍无效——类型没变，pd.NA进不去；得先astype("string")（Pandas nullable string），再replace才能落地
fillna() 对 pd.NA 列的行为有什么不同？
行为一致，但底层逻辑变了：填的是 pd.NA，不是 np.nan，所以不会污染类型。
-
df["age"].fillna(0)在"Int64"列上返回仍是"Int64"，值为0，不是0.0 -
df["flag"].fillna(False)在"boolean"列上也保持布尔语义，不会变成object - 但注意：
fillna()不会把整列从float64自动转成"Int64"；想转，得显式.astype("Int64")（可能需先.replace(np.nan, pd.NA)）
三值逻辑下 pd.NA & True 返回什么？
返回 pd.NA，不是 False 或报错——这是它和 np.nan 最本质的区别：它代表“未知”，不是“无效数字”。
-
True & pd.NA → pd.NA，False | pd.NA → pd.NA -
df["col"] == 5对含pd.NA的列，结果中对应位置也是pd.NA，不是False - 若后续要用于布尔索引（如
.loc），必须先用.fillna(True)或.fillna(False)显式补全，否则报ValueError: Cannot mask with a boolean array containing NA values
关键不在“怎么写”，而在“什么时候定类型”——pd.NA 必须从列创建或类型转换那一刻就绑定到可空类型上，之后所有操作才按新规则走。中途硬塞，大概率被忽略或报错。
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！
