pandas.isnull

pandas.isnull(obj) [source]

Обнаружение пропущенных значений для массивоподобного объекта.

Эта функция принимает скаляр или массивоподобный объект и указывает, являются ли значения пропущенными (NaN в числовых массивах, None или NaN в массивах объектов, NaT в массивах datetimelike).

Параметры:	obj : scalar or array-like Объект, который необходимо проверить на наличие нулевых или пропущенных значений.
Возвращает:	bool или массивоподобный массив bool Для скалярного входного значения возвращает скалярное булево значение. Для входного массива возвращает массив булевых значений, указывающий, является ли каждое соответствующее значение пропущенным.

См. также

notna

Булево отрицание pandas.isna.

Series.isna

Обнаружение пропущенных значений в Series.

DataFrame.isna

Обнаружение пропущенных значений в DataFrame.

Index.isna

Обнаружение пропущенных значений в Index.

Примеры

Скалярные аргументы (включая строки) приводят к скалярному булевому значению.

>>> pd.isna('dog')
False

>>> pd.isna(np.nan)
True

ndarrays приводят к ndarray булевых значений.

>>> array = np.array([[1, np.nan, 3], [4, 5, np.nan]])
>>> array
array([[ 1., nan,  3.],
       [ 4.,  5., nan]])
>>> pd.isna(array)
array([[False,  True, False],
       [False, False,  True]])

Для индексов возвращается ndarray булевых значений.

>>> index = pd.DatetimeIndex(["2017-07-05", "2017-07-06", None,
...                           "2017-07-08"])
>>> index
DatetimeIndex(['2017-07-05', '2017-07-06', 'NaT', '2017-07-08'],
              dtype='datetime64[ns]', freq=None)
>>> pd.isna(index)
array([False, False,  True, False])

Для Series и DataFrame возвращается тот же тип, содержащий булевы значения.

>>> df = pd.DataFrame([['ant', 'bee', 'cat'], ['dog', None, 'fly']])
>>> df
     0     1    2
0  ant   bee  cat
1  dog  None  fly
>>> pd.isna(df)
       0      1      2
0  False  False  False
1  False   True  False

>>> pd.isna(df[1])
0    False
1     True
Name: 1, dtype: bool