NaN在pandas中被用作丢失数据的占位符 * 一致性 ，一致性很好。我通常读/翻译NaN为*“失踪”**。* 另请参阅文档中的'working with missing data'部分。*
Wes在文档“NA代表的选择”中写道：
经过多年的生产使用，至少在我看来，考虑到NumPy和Python的总体状况，[NaN]已经被证明是最好的决定。特殊值NaN（Not-A-Number）被用作NA值，并且有API函数isna和notna可以跨数据类型使用来检测NA值。
...
因此，我选择了Pythonic的“实用性胜过纯粹性”方法，并将整数NA功能换成了一种更简单的方法，即在浮点数和对象数组中使用特殊值来表示NA，并在必须引入NA时将整数数组提升为浮点数。

• 注意：“gotcha”，包含缺失数据的整数Series被向上转换为浮点数。

在我看来，使用NaN（而不是None）的主要原因是它可以用numpy的float 64 dtype存储，而不是效率较低的对象dtype，* 参见NA类型提升 *。

#  without forcing dtype it changes None to NaN!
s_bad = pd.Series([1, None], dtype=object)
s_good = pd.Series([1, np.nan])

In [13]: s_bad.dtype
Out[13]: dtype('O')

In [14]: s_good.dtype
Out[14]: dtype('float64')

字符串
Jeff对此评论如下：
np.nan允许向量化操作;它是一个浮点值，而None，根据定义，强制对象类型，这基本上禁用了numpy中的所有效率。

快速重复3次：object==bad，float==good

也就是说，许多操作可能仍然可以与None和NaN一样工作（但可能不支持，即他们有时会给予surprising results）：

In [15]: s_bad.sum()
Out[15]: 1

In [16]: s_good.sum()
Out[16]: 1.0

型
回答第二个问题：
您应该使用isna和notna来测试缺失数据（NaN）。

NaN可以在数学运算中用作数值，而None不能（或者至少不应该）。
NaN是一个数值，如IEEE 754 floating-point standard中所定义。None是一个内部Python类型（NoneType），在这种情况下更像是“不存在”或“空”，而不是“数字无效”。
主要的“症状”是，如果你对一个包含NaN的数组执行平均或求和，即使是一个数组，结果也会得到NaN...
另一方面，不能使用None作为操作数执行数学运算。
因此，根据具体情况，您可以使用None作为一种方式来告诉您的算法在计算时不要考虑无效或不存在的值。这意味着算法应该测试每个值，看看它是否是None。
Numpy有一些函数可以避免NaN值污染结果，例如nansum和nan_to_num。

函数isnan()检查某个变量是否为“Not A Number”，并返回变量是否为数字，例如isnan(2)返回false
条件myVar is not None返回变量是否已定义
numpy数组使用isnan()，因为它是一个数字数组，它将数组的所有元素初始化为NaN，这些元素被认为是“空”

以下是差异：

• nan属于float类
• None属于NoneType类

我发现下面的文章很有帮助：https://medium.com/analytics-vidhya/dealing-with-missing-values-nan-and-none-in-python-6fc9b8fb4f31