做数据处理的都知道，一个 NaN 就能让整个数据清洗流程崩盘。过滤条件失效、join 结果错乱、列类型莫名其妙变成 object——这些坑踩过的人应该都有所体会。而Pandas 引入的可空数据类型（nullable dtypes）就是来帮我们填这个坑的。
现在整数列终于能表示缺失了，布尔列不会再退化成 object，字符串列的行为也更可控，这样我们代码的逻辑可以变得更清晰。
早期NumPy 的 int 类型压根就不支持缺失值，只能选一个不太优雅的方案：要么转成 float 让 1, 2, NaN 变成 1.0, 2.0, NaN，要么直接用 object 类型塞 Python 的 None 进去。
前免得方法会带来浮点精度的麻烦和类型语义的混乱，而且还会站更多的内存，而后者直接把向量化计算的性能优势给废了。
Pandas 后来搞的可空数据类型（extension dtypes）用了另一套思路：单独维护一个 mask 来标记缺失位置。具体包括这几种：
Int64、Int32、UInt8 等：真正支持 pd.NA 的整数类型
boolean：三值布尔，可以是 True、False 或 pd.NA
string：行为一致的文本类型，不会退化成 object
Float64（nullable）：用 pd.NA 替代 np.nan 的浮点类型
这些类型统一用 pd.NA 表示缺失，不像以前 None、np.nan 混用，谁想怎么用就怎么用，没准自己都用不同的方法来表示缺失。
pd.NA 的三值逻辑pd.NA 遵循类似 SQL 的三值逻辑规则：
True & pd.NA 结果是 pd.NA
False | pd.NA 结果还是 pd.NA
任何值和 pd.NA 做相等判断都返回 pd.NA，不是 True 也不是 False
这样设计的好处是把"未知"这个语义明确表达出来了。如果确实需要一个纯布尔 mask，用 fillna 转一下就行：
import pandas as pd s = pd.Series([True, pd.NA, False], dtype="boolean") # mask is boolean + NA; many ops accept this.mask = s & True # -> [True, <NA>, False] # When you must force a pure boolean array (e.g., .loc):final_mask = mask.fillna(False)
所以我们现在尽量用 pd.NA，别再把 None 和 np.nan 混着用了，因为后者很容易让列类型退化成 object。
类型转换的基本操作转成可空类型很简单，逐列指定就可以：
df = pd.DataFrame({ "user_id": [101, 102, None, 104], "active": [1, None, 0, 1], "email": ["a@x", None, "c@x", "d@x"] }) df = df.astype({ "user_id": "Int64", # 不是 int64 "active": "boolean", # 不是 bool "email": "string" # 不是 object })
转回 NumPy 类型也简单，不过要注意缺失值的处理逻辑会变：
# Back to NumPy dtypes (careful: NA handling changes)df["user_id_np"] = df["user_id"].astype("float64") # NA -> NaN
实际场景：用户行为事件表假设有个 Web 埋点数据，session ID 和购买标记都可能缺失，这种稀疏数据用可空类型处理起来就清爽多了：
events = pd.DataFrame({ "session_id": [123, 124, None, 126, 127, None], "user_id": [10, 10, 11, 11, None, 13], "purchased": [1, None, 0, 1, None, None], "amount": [49, None, None, 99, None, None] }).astype({ "session_id": "Int64", "user_id": "Int64", "purchased": "boolean", "amount": "Int64" }) # How many known sessions and confirmed purchases?events.agg({ "session_id": "count", # ignores NA by default "purchased": lambda s: s.fillna(False).sum() })
不需要将整数转为浮点数，也不需要拖累性能的 object 列，"NA"和"False"的区别也很明确。
过滤、分组和 join 的变化三值逻辑下，比较操作产生的 mask 里会包含 NA：
# Three-valued logic: comparisons with NA yield NA in the maskmask = (events["amount"] > 50) & events["purchased"] # -> boolean + NA # Resolve NA explicitly for indexing:filtered = events[mask.fillna(False)]
关键是要明确业务语义，用 fillna(False) 或 fillna(True) 把规则写清楚。
分组计算
# Average order amount per user, ignoring unknownsorder_stats = (events .groupby("user_id", dropna=False)["amount"] .mean()) # skipna=True by default
dropna=False 会保留 user_id = <NA> 的分组，排查数据质量问题时挺有用。
Join 的语义和 SQL 一致：NA 不等于 NA。
users = pd.DataFrame({ "user_id": [10, 11, 12], "tier": ["gold", "silver", "bronze"] }).astype({"user_id": "Int64", "tier": "string"}) joined = events.merge(users, on="user_id", how="left")
user_id 是 <NA> 的行不会匹配到任何记录。如果需要把缺失键当作特殊分组处理，merge 之前先 fillna 成哨兵值：
E = events.assign(user_id=events["user_id"].fillna(-1)) U = users.assign(user_id=users["user_id"].fillna(-1)) joined_special = E.merge(U, on="user_id", how="left")
string 和 boolean 类型的实用价值string 比 object 靠谱
类型一致，不会混进各种 Python 对象
向量化的字符串方法行为更可预测
缺失值统一用 pd.NA，不会是 np.nan 或 None
emails = events["user_id"].astype("string") # demo only # Realistic: customers = pd.Series(["a@x", None, "c@x"], dtype="string") customers.str.contains("@").fillna(False)
boolean 的三值语义三值逻辑更贴合实际数据流程，尤其适合表示可选的布尔标记。
maybe = pd.Series([True, pd.NA, False], dtype="boolean") (maybe.fillna(False) & True).sum() # treat unknown as False
IO 操作和 Arrow 后端读取时可以直接指定可空类型：
df = pd.read_csv( "data.csv", dtype={"user_id": "Int64", "active": "boolean", "email": "string"}, na_values=["", "NA", "null"] # map vendor missings to real NA )
文本数据量大或者对吞吐有要求的话，可以考虑 Arrow 后端。它的字符串存储更紧凑，某些操作也更快：
# Example: opt-in when reading (availability depends on your pandas build)df_arrow = pd.read_csv( "data.csv", dtype_backend="pyarrow" # uses Arrow dtypes where possible )
写 Parquet 时用可空类型能保持 schema 的完整性：
df.to_parquet("events.parquet", index=False)
性能和内存开销可空整数和布尔类型保持了向量化特性，所以性能不会差。虽然达不到纯 NumPy 的极限速度，但分析场景下完全够用。
每个可空列会额外维护一个 mask，每个值占 1 bit。这点开销换来的正确性和可读性，这是很值得的。并且Arrow 后端的字符串类型在大文本列上通常更省内存，速度也更稳定。
几个常见的坑1. 类型静默退化成 object
同一列里混用 None、np.nan 和实际值会导致类型变成 object，用 astype 转一下：
df["col"] = df["col"].astype("Int64") # or boolean/string
2. 布尔索引中的 NA
比较操作会产生 NA，记得明确处理：
df[condition.fillna(False)]
3. 缺失键的 join
NA != NA，如果要把缺失值当一个分组，merge 前先填充：
events["user_id"].fillna(-1)
4. 别用浮点数存缺失的整数
直接用 Int64 + pd.NA，别再搞什么 float 转换了。
5. CSV 往返类型变化
读 CSV 时一定要指定 dtype 或 dtype_backend，并且规范化 na_values。
用 Parquet 保持 schema 一致性；文本列多的话测试下 Arrow 后端
总结Pandas1.0引入的可空类型不只是修边角的细节优化，它把"缺失"这个语义明确编码进了类型系统。整数保持整数，布尔值该表示"未知"就表示"未知"，字符串就是字符串。过滤和 join 的逻辑变得更清楚，也更不容易出错。
https://avoid.overfit.cn/post/d595b7b6ff9148bc8adb8b8c133763b4
作者：Codastra