in成员运算符是用来判断一个值是否在某一个可迭代对象中的，比如 x in y这个语句，如果x在y中，则返回True，不然返回False。一般情况下，这样判断并不会有什么问题，但是如果是 np.nan in s这样的语句，其中s表示一个pandas中的Series对象，就行不通了，这是为什么呢？原因是numpy中的nan常量和pandas中的空值是不兼容的，其两者是两种不同的数据类型，numpy中的nan的类型是float，而如果我们是以np.nan来构造pandas中的空值的话，则后者的空值类型是numpy.float64。两者对象并不兼容，从而自然通过in成员运算符是无法做出正确有效的判断的，具体看图一的例子。
因此，当我们判断pandas数据中的缺失值的时候，不能用in来判断，以防判断错误。一般的，判断pandas数据的缺失值，可以通过isna()或isnull()方法结合Series的any()或者all()方法来判断。对于一个Series，其isna()或isnull()方法会返回一个bool值组成的Series对象，然后再调用Series的any()或all()方法，其中any()方法的意思是，如果这个bool值组成的Series中有True，则返回True，不然返回False，all()方法的意思是，若全部都是True，则返回True，不然返回False。
注意，我们通过会通过np.nan来作为空值的填充，并且pandas中的空值nan也是一个对象，如果直接用any()或all()方法判断也是不行的，因为nan是一个非空对象，因此其在any()或all()的判断下是True的，因此不可直接用这两个方法判断，而是先要通过isna()或isnull()，因为isna()和isnull()这两个方法和numpy以及pandas中的nan都是兼容的，可以正确判断，所以应该先通过这两个方法判断，返回由bool值组成的数据对象后再做相应的其他处理。