NaN（Not a Number）は、計算上無効な結果やデータの欠損を表す特別な浮動小数点数です。
NaNはデータ分析や科学計算において頻繁に遭遇しますが、NaNを適切に処理しないと計算やロジックが正しく動作しなくなる可能性があります。
Pythonでは、特にデータ処理に強いpandasやNumPyのライブラリを使うことで、NaNの判定や処理が簡単に行えます。
math.isnan()でのNaN判定
Pythonの標準ライブラリであるmathモジュールには、NaNを判定するための関数isnan()が用意されています。
この関数を使うことで、ある値がNaNであるかどうかを簡単に確認できます。
import math
value = float('nan')
if math.isnan(value):
print('これはNaNです')
else:
print('これはNaNではありません')
特徴
math.isnan()は浮動小数点型（float）に対して使用されます。
数値以外の型に対してはエラーが発生するため、他の型に対してNaN判定を行いたい場合は、型チェックを行うか、他の方法を検討します。
numpy.isnan()でのNaN判定
NumPyは数値計算用のライブラリで、配列や行列内のNaNの判定も効率的に行えます。
特に大規模なデータ処理や科学計算で使用されます。
import numpy as np
# NumPyでのNaN判定
value = np.nan
if np.isnan(value):
print('これはNaNです')
else:
print('これはNaNではありません')
特徴
numpy.isnan()は単一の数値だけでなく、NumPy配列全体に対しても使用できます。
配列内のすべての要素に対してNaNかどうかを判定し、ブール値の配列を返します。
import numpy as np
arr = np.array([1.0, np.nan, 3.0, np.nan])
nan_mask = np.isnan(arr)
print(nan_mask) # [False True False True]
このように、np.isnan()を使用することで、大規模なデータセットに含まれるNaNを効率的に処理できます。
pandas.isna() / pandas.isnull()でのNaN判定
データ分析においては、pandasライブラリが非常に便利です。
pandasには、isna()およびisnull()というNaNを判定する関数があります。
これらはほぼ同じ機能を提供し、DataFrameやSeriesに含まれる欠損値（NaN）の検出に使われます。
import pandas as pd
import numpy as np
# pandasでのNaN判定
s = pd.Series([1.0, np.nan, 3.0])
nan_mask = pd.isna(s)
print(nan_mask)
結果
0 False
1 True
2 False
dtype: bool
特徴
isna()とisnull()はDataFrameやSeries内のすべての要素に対してNaNを判定できます。- 欠損値（NaN）はTrue、それ以外はFalseとして返されます。
これを使ってデータのクリーニングや欠損値の補完を行うことができます。
# NaNを特定の値（例えば0）で置き換える
cleaned_data = s.fillna(0)
print(cleaned_data)
isna()とisnull()の違い
実質的には同じ機能を持っているため、どちらを使っても構いません。
isna()がより一般的に使われる傾向にあります。
NaNの性質
NaNは数値でありながらも特殊な性質を持っています。
例えば、他の数値や自身と比較しても等しいと判断されません。以下のコードで確認してみます。
value = float('nan')
# NaN同士の比較
print(value == value) # False
特徴
NaNは==で比較しても自身と等しくないと判定されます。
このため、NaNを単純な比較演算子で判定することはできません。
必ずisnan()などの専用の関数を使用する必要があります。
まとめ
NaNはデータの欠損や無効な値を表す特殊な数値です。
Pythonではmathやnumpy、pandasを活用することで効率的にNaNの判定や処理を行うことができます。
- 小規模なデータの場合は、
math.isnan()を使用 - 科学計算や配列データの場合は、
numpy.isnan()を使用 - データフレームの操作やデータ分析では、
pandas.isna()を活用
NaNは特異な性質を持つため、適切な方法で扱うことがデータ分析やプログラムの信頼性を高める鍵となります。
