Controllare in modo efficiente se un oggetto arbitrario è NaN in Python / numpy / pandas?

I miei array numpy usano np.nanper designare i valori mancanti. Mentre itero sul set di dati, ho bisogno di rilevare tali valori mancanti e gestirli in modi speciali.

Ingenuamente ho usato numpy.isnan(val), che funziona bene a meno che valnon sia tra il sottoinsieme di tipi supportati da numpy.isnan(). Ad esempio, i dati mancanti possono verificarsi nei campi stringa, nel qual caso ottengo:

>>> np.isnan('some_string')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: Not implemented for this type

Oltre a scrivere un involucro costoso che cattura l'eccezione e ritorna False, c'è un modo per gestirlo in modo elegante ed efficiente?

pandas.isnull()(inoltre pd.isna(), nelle versioni più recenti) verifica la presenza di valori mancanti sia negli array numerici che in quelli di stringhe / oggetti. Dalla documentazione, verifica:

NaN negli array numerici, Nessuno / NaN negli array di oggetti

Esempio veloce:

import pandas as pd
import numpy as np
s = pd.Series(['apple', np.nan, 'banana'])
pd.isnull(s)
Out[9]: 
0    False
1     True
2    False
dtype: bool

L'idea di utilizzare numpy.nanper rappresentare i valori mancanti è qualcosa che ha pandasintrodotto, motivo per cui pandasha gli strumenti per affrontarlo.

Datetimes too (se usi pd.NaTnon dovrai specificare il dtype)

In [24]: s = Series([Timestamp('20130101'),np.nan,Timestamp('20130102 9:30')],dtype='M8[ns]')

In [25]: s
Out[25]: 
0   2013-01-01 00:00:00
1                   NaT
2   2013-01-02 09:30:00
dtype: datetime64[ns]``

In [26]: pd.isnull(s)
Out[26]: 
0    False
1     True
2    False
dtype: bool

Il tuo tipo è davvero arbitrario? Se sai che sarà solo un int float o una stringa, potresti semplicemente farlo

 if val.dtype == float and np.isnan(val):

supponendo che sia avvolto in numpy, avrà sempre un dtype e solo float e complex possono essere NaN