无论是数据分析还是软件开发，总是会被数据类型这个‘磨人的小妖精’搞得烦躁不堪。数据分析师最清楚这是多么痛的领悟！！！
一般情况下的数据类型、类型转换还好，这里不多赘述，文章最好给出两张汇总表，你可以收入囊中。这里总结下会让你爆炸的几个坑，以及一些免于记忆的操作技巧。
1、None 和 Nan
1）数据类型
None是一个python特殊的数据类型， 但是NaN却是用一个特殊的float，它们作为字典的键时，认为是不同的键
2）混入容器时对数据类型的影响
a、混入np.array时，如果数据中含有None,会导致整个array的类型变成object，含有np.NaN时，因为本身为float，会将原本用int类型数据保存为float。
b、混入pandas的Series时， 如果Series整体类型为Object类型，None则不做转化。
如果Series中包含float型，Object类型的None被替换成了float类型的NaN。甚至能将s[s.isnull()]= None,和
s.replace(NaN, None)操作的效果无效化。 这时需要用where函数才能进行替换。
原因：这么设计可能是因为None无法参与numpy的大多数计算， 而pandas的底层又依赖于numpy，因此做了这样的自动转化。
3）等值型判断 （相对来说None表现的更稳定。）
基于2）的原因可以理解： 在‘较顶层的’情况下（如datafream），None和NaN被判断为相等；在‘较底层的’情况下（如：tuple、array、Series），None和Nan通常被判断为不相等，此时若希望将None、NaN判断为相等，array、Series都有专用的函数
4）DataFrame.groupby会忽略分组列中含有None或者NaN的记录
5）None能够直接被导入数据库作为空值处理， 包含NaN的数据导入时会报错。
2、不填、空格的类型是str ， 有字符的类型是 unicode np.nan 是float
1）dropna只能删除NaN 和 None，‘’与‘ ’是字符串类型，dropna是无法去除的
2）有时搜索不到要找的字符串类型的键，考虑下字符前后是否有空格。（‘ name’or ‘name ’）
一些操作技巧：
- 在用pandas和numpy处理数据阶段将None,NaN统一处理成NaN,以便支持更多的函数。
- 如果要判断Series,numpy.array整体的等值性，用专门的Series.equals,numpy.array函数去处理，不要自己用
==判断 * - 如果要将数据导入数据库，将NaN替换成None
- 当整列数据中包括浮点型和字符型，且需要删除字符型时，遍历df.unique()的结果，而无需遍历整列数据，减少计算。
- Pandas中进行数据类型转换有三种基本方法：
1）使用astype()函数进行强制类型转换
2）自定义函数进行数据类型转换
3）使用Pandas提供的函数如to_numeric()、to_datetime()
数据类型表
数据类型转换方法表
