import missingno as msno
msno.matrix(df)  # just to visualize. no missing value.

Jwilner的回答是正确的。我正在探索是否有更快的选择，因为根据我的经验，平坦数组的和(奇怪地)比计数快。这段代码似乎更快:

df.isnull().values.any()

import numpy as np
import pandas as pd
import perfplot


def setup(n):
    df = pd.DataFrame(np.random.randn(n))
    df[df > 0.9] = np.nan
    return df


def isnull_any(df):
    return df.isnull().any()


def isnull_values_sum(df):
    return df.isnull().values.sum() > 0


def isnull_sum(df):
    return df.isnull().sum() > 0


def isnull_values_any(df):
    return df.isnull().values.any()


perfplot.save(
    "out.png",
    setup=setup,
    kernels=[isnull_any, isnull_values_sum, isnull_sum, isnull_values_any],
    n_range=[2 ** k for k in range(25)],
)

df.isnull().sum().sum()有点慢，但当然，它有额外的信息——nan的数量。

根据您正在处理的数据类型，您还可以在执行EDA时通过将dropna设置为False来获得每列的值计数。

for col in df:
   print df[col].value_counts(dropna=False)

适用于分类变量，但当你有很多唯一值时就不那么适用了。

你不仅可以检查是否有'NaN'存在，还可以使用下面的方法得到'NaN'在每一列中的百分比，

df = pd.DataFrame({'col1':[1,2,3,4,5],'col2':[6,np.nan,8,9,10]})  
df  

   col1 col2  
0   1   6.0  
1   2   NaN  
2   3   8.0  
3   4   9.0  
4   5   10.0  


df.isnull().sum()/len(df)  
col1    0.0  
col2    0.2  
dtype: float64

这将只包括至少有一个null/na值的列。

 df.isnull().sum()[df.isnull().sum()>0]

由于pandas必须为DataFrame.dropna()找到这一点，我看了看他们是如何实现它的，并发现他们使用了DataFrame.count()，它会计数DataFrame中的所有非空值。参考熊猫源代码。我还没有对这种技术进行基准测试，但我认为库的作者可能已经就如何实现它做出了明智的选择。