None в Python, NaN в NumPy и NA в Pandas — это разные концепты, используемые для обозначения отсутствующих или неопределённых данных, но с разными особенностями:

None (Python) — это специальный объект, обозначающий отсутствие значения. Он универсален и может использоваться в любых структурах данных. Однако None не является числом и не поддерживает арифметические операции.
NaN (NumPy) — это специальное значение с плавающей точкой (Not a Number), определённое в стандарте IEEE 754. Используется для обозначения отсутствующих или неопределённых числовых данных. NaN ведёт себя особым образом: например, сравнение NaN с любым числом (включая NaN) возвращает False.
NA (Pandas) — это более общий концепт отсутствующих данных, который может быть представлен разными способами в зависимости от типа данных (например, NaN для чисел, None или pd.NA для объектов). В последних версиях Pandas введён тип pd.NA, который поддерживает пропуски в разных типах данных и ведёт себя более предсказуемо при операциях.

Пример:

import numpy as np
import pandas as pd

# None
a = None

# NaN
b = np.nan

# Pandas NA
c = pd.NA

print(a == None)  # True
print(b == np.nan) # False, NaN не равен самому себе
print(pd.isna(b))  # True
print(c == pd.NA)  # pd.NA — специальное значение, сравнение возвращает pd.NA

# В Pandas pd.NA поддерживает логические операции с пропусками

Таким образом, None — это базовый Python-объект для отсутствия значения, NaN — числовой индикатор отсутствия данных в массивах с плавающей точкой, а NA в Pandas — более универсальный и современный способ работы с пропусками в данных разных типов.

Чем отличаются None в Python, NaN в NumPy и NA в Pandas?