这是一个比较宽泛的主题，但我会尝试将其缩减到一些具体的问题。
在开始回答关于SO的问题时，我发现自己在制作玩具数据时有时会遇到这样一个愚蠢的错误：

In[0]:

import pandas as pd

df = pd.DataFrame({"values":[1,2,3,4,5,6,7,8,9]})
df[df < 5] = np.nan

Out[0]:
NameError: name 'np' is not defined

我非常习惯用pandas自动导入numpy，这在真实的代码中通常不会发生。然而，这确实让我想知道为什么pandas没有自己的值/对象来表示空值。
我最近才意识到，对于类似的情况，你可以使用Python None：

import pandas as pd

df = pd.DataFrame({"values":[1,2,3,4,5,6,7,8,9]})
df[df < 5] = None

它按预期工作并且不产生错误。但我觉得我看到的SO上的约定是使用np.nan，人们在讨论空值时通常会提到np.nan（这也许是为什么我没有意识到可以使用None，但也许这是我自己的特质）。
简单地看一下这个，我现在已经看到pandas自1.0.0以来确实有一个pandas.NA值，但是 * 我从来没有见过有人在帖子中使用它 *：

In[0]:

import pandas as pd
import numpy as np

df = pd.DataFrame({'values':np.random.rand(20,)})
df['above'] = df['values']
df['below'] = df['values']
df['above'][df['values']>0.7] = np.nan
df['below'][df['values']<0.3] = pd.NA

df['names'] = ['a','b','c','a','b','c','a','b','c','a']*2
df.loc[df['names']=='a','names'] = pd.NA
df.loc[df['names']=='b','names'] = np.nan
df.loc[df['names']=='c','names'] = None
df

Out[0]:
      values     above     below names
0   0.323531  0.323531  0.323531  <NA>
1   0.690383  0.690383  0.690383   NaN
2   0.692371  0.692371  0.692371  None
3   0.259712  0.259712       NaN  <NA>
4   0.473505  0.473505  0.473505   NaN
5   0.907751       NaN  0.907751  None
6   0.642596  0.642596  0.642596  <NA>
7   0.229420  0.229420       NaN   NaN
8   0.576324  0.576324  0.576324  None
9   0.823715       NaN  0.823715  <NA>
10  0.210176  0.210176       NaN  <NA>
11  0.629563  0.629563  0.629563   NaN
12  0.481969  0.481969  0.481969  None
13  0.400318  0.400318  0.400318  <NA>
14  0.582735  0.582735  0.582735   NaN
15  0.743162       NaN  0.743162  None
16  0.134903  0.134903       NaN  <NA>
17  0.386366  0.386366  0.386366   NaN
18  0.313160  0.313160  0.313160  None
19  0.695956  0.695956  0.695956  <NA>

因此，对于数值来说，这些不同的空值之间的区别似乎并不重要，但它们对于字符串（也许对于其他数据类型？））.

我的问题基于以上：

• 使用np.nan（而不是None）来表示pandas中的空值是否是常规的？
• 为什么pandas在其生命周期的大部分时间里都没有自己的null值（直到去年）？添加的动机是什么？
• 如果在一个Series或列中可以有多种类型的缺失值，它们之间有什么区别吗？为什么它们的表示方式不相同（如数字数据）？

我完全预料到我可能对事物以及pandas和numpy之间的区别有错误的解释，所以请纠正我。