我正在尝试使用MysqlDB将Pandas数据帧(或者可以使用numpy数组(写入mysql数据库。MySQL数据库似乎不理解"nan"，我的数据库抛出一个错误，说nan不在字段列表中。我需要找到一种方法将"nan"转换为NoneType。
有什么想法吗？
@bogatron是对的，你可以使用where，值得注意的是，你可以在Panda中原生地做到这一点：
df1 = df.where(pd.notnull(df), None)
注意：这会将所有列的数据类型更改为object。
示例：
In [1]: df = pd.DataFrame([1, np.nan])
In [2]: df
Out[2]:
0
0 1
1 NaN
In [3]: df1 = df.where(pd.notnull(df), None)
In [4]: df1
Out[4]:
0
0 1
1 None
注意：您不能使用astype重写DataFrames dtype以允许所有数据类型，然后使用fillna方法：
df1 = df.astype(object).replace(np.nan, 'None')
不幸的是，无论是这一点，还是使用replace，都不能与None一起使用—请参阅此(已关闭(问题
顺便说一句，值得注意的是，对于大多数用例，您不需要将NaN替换为None，请参阅关于熊猫中NaN和None之间的区别的问题。
然而，在这个特定的情况下，你似乎是这样做的(至少在这个答案的时候(。
df = df.replace({np.nan: None})
注意：对于熊猫版本<1.4，这将所有受影响的列的数据类型更改为object
为了避免这种情况，请使用以下语法：
df = df.replace(np.nan, None)
这要归功于这个Github问题上的家伙和Killian Huyghe的评论。
您可以在numpy数组中将nan替换为None：
>>> x = np.array([1, np.nan, 3])
>>> y = np.where(np.isnan(x), None, x)
>>> print y
[1.0 None 3.0]
>>> print type(y[1])
<type 'NoneType'>
在跌跌撞撞之后，这对我来说很有效：
df = df.astype(object).where(pd.notnull(df),None)
用None替换np.nan在不同版本的Panda中的实现方式不同：
if version.parse(pd.__version__) >= version.parse('1.3.0'):
df = df.replace({np.nan: None})
else:
df = df.where(pd.notnull(df), None)
这解决了熊猫版本<1.3.0，如果df中的值已经是None，则df.replace({np.nan: None})将把它们切换回np.nan，反之亦然。
另一个补充：在替换倍数和将列的类型从对象转换回浮点时要小心。如果你想确定你的None不会回到np.NaN，那么就用pd.where来应用@andy hayden的建议。更换仍然可能出现"错误"的说明：
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: df = pd.DataFrame({"a": [1, np.NAN, np.inf]})
In [4]: df
Out[4]:
a
0 1.0
1 NaN
2 inf
In [5]: df.replace({np.NAN: None})
Out[5]:
a
0 1
1 None
2 inf
In [6]: df.replace({np.NAN: None, np.inf: None})
Out[6]:
a
0 1.0
1 NaN
2 NaN
In [7]: df.where((pd.notnull(df)), None).replace({np.inf: None})
Out[7]:
a
0 1.0
1 NaN
2 NaN
只是对@Andy Hayden的回答的补充：
由于DataFrame.mask是DataFrame.where的对双胞胎，它们具有完全相同的签名，但含义相反：
DataFrame.where可用于替换条件为False的值DataFrame.mask用于替换条件为True的值
因此，在这个问题中，使用df.mask(df.isna(), other=None, inplace=True)可能更直观。
很老了，但我偶然发现了同样的问题。尝试这样做：
df['col_replaced'] = df['col_with_npnans'].apply(lambda x: None if np.isnan(x) else x)
我认为最干净的方法是在pandas.DataFrame.to_numpy()方法(docs(中使用na_value参数：
na_value：任意，可选
用于缺少值的值。默认值取决于数据类型和DataFrame列的数据类型。
1.1.0版本新增。
例如，您可以使用转换为NaN替换为None的词典
columns = df.columns.tolist()
dicts_with_nan_replaced = [
dict(zip(columns, x))
for x in df.to_numpy(na_value=None)
]
有时最好使用此代码。注意，np指的是numpy:
df = df.fillna(np.nan).replace([np.nan], [None])
在替换为where语句之前将numpy NaN转换为pandas NA：
df = df.replace(np.NaN, pd.NA).where(df.notnull(), None)
令人惊讶的是，以前的答案都不适用于我，所以我必须为每一列都这样做。
for column in df.columns:
df[column] = df[column].where(pd.notnull(df[column]), None)
您有一个代码块可以偶然查看吗？
使用.loc，panda可以根据逻辑条件访问记录(筛选(并对其执行操作(使用=时(。将.loc掩码设置为某个值将更改返回数组的位置(所以这里要小心；我建议在代码块中使用之前测试df副本(。
df.loc[df['SomeColumn'].isna(), 'SomeColumn'] = None
外部函数为df.loc[row_label，column_label]=None。我们将使用.isna((方法在我们的列SomeColumn中查找"NoneType"值，从而为row_label使用布尔掩码。
我们将使用.isna((方法返回列SomeColumn中的行/记录的布尔数组，作为我们的row_label：df['SomeColumn'].isna。
在为row_label屏蔽数据帧时，以及在为.loc屏蔽识别要操作的列时，我们都将使用column_label。
最后，我们将.loc掩码设置为None，因此返回的行/记录将根据掩码索引更改为None。
以下是有关.loc&.isna((.
参考文献：
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.loc.htmlhttps://pandas.pydata.org/docs/reference/api/pandas.DataFrame.isna.html
在Pandas更新到1.3.2后，我发现推荐的答案和建议的替代答案都不适用于我的应用程序，我决定使用暴力方法来确保安全：
buf = df.to_json(orient='records')
recs = json.loads(buf)
还有一个选项，它实际上对我很有帮助：
df = df.astype(object).replace(np.nan, None)
手工操作是目前对我唯一有效的方法。
这个来自@rodney cox的软件几乎在所有情况下都对我有效。
以下代码将所有列设置为object数据类型，然后将任何null值替换为None。将列数据类型设置为object至关重要，因为它可以防止panda进一步更改类型。
for col in df.columns:
df[col] = df[col].astype(object)
df.loc[df[col].isnull(), col] = None
警告：此解决方案无效，因为它处理的列可能没有np.nan值。
这应该可以工作：df["column"]=df["column"].apply(lambda x：如果pd.isnull(x(else x，则为None(
这对我有效：
df = df.fillna(0)