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 datetimelike).

Параметры:	obj : scalar or array-like Объект, для которого нужно проверить наличие нулевых или пропущенных значений.
Возвращает:	bool или массивоподобный массив bool Для скалярного входного значения возвращает скалярное логическое значение. Для входного массива возвращает массив логических значений, указывающий, является ли каждое соответствующее значение пропущенным.

См. также

notna

Логическое обратное значение 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 логическому значению.

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

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

ndarrays приводят к ndarray логических 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 логических 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 логические 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