プログラミングやデータ分析をしていると、突然NaNという表示に遭遇することがあります。
「エヌエーエヌ？ナン？何これ？」
「データが消えちゃった？」
実は、NaNは「Not a Number」（数値ではない）の略で、計算結果が数値として表せない時に現れる特殊な値なんです。
エラーとは少し違いますが、NaNをそのままにしておくと様々な問題が起こります。
今回は、NaNの基本的な意味から、発生する原因、各プログラミング言語での扱い方、そして実務での対処法まで、分かりやすく解説していきますね。
NaNとは？基本を理解しよう
Not a Number（数値ではない）
NaNは「Not a Number」の頭文字を取った略語で、数値として扱えない値を表す特殊な記号です。
読み方は「ナン」または「エヌエーエヌ」。
NaNの特徴：
- 計算結果が数値にならない時に発生
- エラーではなく「特殊な値」として扱われる
- そのまま計算を続けると、結果もNaNになる
- データ分析では頻繁に遭遇する
例えば、「りんご ÷ 2」のように、文字を数値で割ろうとするとNaNが発生します。
NaNはどこで使われる？
NaNは様々なプログラミング言語やツールで使われています：
- Python（Pandas、NumPyなど）
- JavaScript
- Excel / Google スプレッドシート
- R言語
- SQL（一部のデータベース）
- MATLAB
データを扱うほとんどの環境で、NaNに遭遇する可能性があります。
NaNが発生する主な原因
不適切な計算
数学的に定義できない計算を行うと、NaNが発生します。
例1：0で0を割る
import numpy as np
result = 0 / 0 # Pythonではエラー
result = np.float64(0) / np.float64(0) # NaNになる通常の0除算（例：5 ÷ 0）は無限大（inf）やエラーになりますが、0 ÷ 0 は NaN です。
例2：負の数の平方根
Math.sqrt(-1) // NaN
// 虚数は実数の範囲では表せない例3：数値への変換失敗
parseInt("こんにちは") // NaN
// 文字列を数値に変換できないデータの欠損
データ分析では、欠損値（missing value）がNaNとして表現されます。
例：アンケートデータ
名前 年齢 収入
田中 28 500万
佐藤 35 NaN（未回答）
鈴木 NaN 600万（年齢不明）データが入力されていない、または取得できなかった場合にNaNが使われます。
ファイルの読み込みエラー
CSVファイルなどを読み込む際、データの形式が正しくないとNaNになることがあります。
例：数値列に文字が混入
商品ID,価格
001,1000
002,無料 ← これがNaNになる
003,1500「無料」という文字は数値に変換できないため、NaNとして読み込まれます。
計算の伝播
NaNを含む計算は、結果もNaNになります。
x = float('nan')
y = 10
result = x + y # NaN（NaN + 10 = NaN）1つでもNaNがあると、それが次々と広がっていく——これがNaNの伝播です。
各言語でのNaNの扱い方
Python（Pandas、NumPy）
Pythonのデータ分析では、NaNが頻繁に登場します。
NaNの作成：
import numpy as np
import pandas as pd
# NaNを作る
nan_value = float('nan')
nan_value = np.nanNaNの判定：
import pandas as pd
x = float('nan')
# 間違った判定方法
x == float('nan') # False（NaN同士は等しくない！）
# 正しい判定方法
pd.isna(x) # True
np.isnan(x) # True重要なポイント： NaNは自分自身とも等しくありません（NaN != NaN は True）。
NaNの処理：
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, np.nan, 4],
'B': [5, np.nan, 7, 8]
})
# NaNを含む行を削除
df.dropna()
# NaNを特定の値で埋める
df.fillna(0)
# NaNを平均値で埋める
df.fillna(df.mean())JavaScript
JavaScriptでは、計算エラーの結果としてNaNが返されます。
NaNの発生：
// 文字列を数値に変換しようとする
Number("hello") // NaN
parseInt("abc") // NaN
// 不正な計算
0 / 0 // NaN
Math.sqrt(-1) // NaNNaNの判定：
let x = NaN;
// 間違った方法
x == NaN // false
x === NaN // false
// 正しい方法
isNaN(x) // true
Number.isNaN(x) // true（より厳密）NaNの処理：
let value = parseInt("abc");
// デフォルト値を設定
let result = isNaN(value) ? 0 : value;
// または、論理演算子を使用
let result2 = value || 0;Excel / Google スプレッドシート
Excelでは、NaNは直接は表示されませんが、類似の概念があります。
エラー値：
#VALUE!：データ型が正しくない#DIV/0!：0で割った#N/A：データが見つからない
対処方法：
=IFERROR(A1/B1, 0)
// エラーが出たら0を返す
=IFNA(VLOOKUP(...), "データなし")
// #N/Aエラーを処理R言語
Rでは、NaNとNAが区別されています。
NaNとNAの違い：
- NaN：計算結果が数値にならない（0/0など）
- NA：データが欠損している（Not Available）
x <- 0/0 # NaN
y <- NA # 欠損値
is.nan(x) # TRUE
is.na(x) # TRUE（NaNはNAでもある）
is.na(y) # TRUE
is.nan(y) # FALSE（NAはNaNではない）NaNとその他の特殊値との違い
NaNとNull（None）の違い
混同しやすい概念ですが、意味が異なります。
NaN：
- 「数値として無効」を表す
- 計算結果として発生
- 数値型の一種
Null（Pythonでは None）：
- 「値が存在しない」を表す
- データが未定義、未設定
- 独立した型
例：
# NaN：計算の結果
age = float('nan') # 年齢が不明（数値として無効）
# None：データの不在
name = None # 名前がまだ設定されていないNaNとInfinity（無限大）の違い
NaN：
- 数値として定義できない
- 例：0 ÷ 0、負の数の平方根
Infinity（inf）：
- 無限大を表す
- 例：1 ÷ 0 = 正の無限大、-1 ÷ 0 = 負の無限大
import numpy as np
np.float64(0) / np.float64(0) # NaN
np.float64(1) / np.float64(0) # inf（無限大）NaNと空文字列の違い
NaN：
- 数値型の特殊な値
- 計算に使うとNaNが伝播
空文字列（””）：
- 文字列型で、内容が空
- 連結しても問題なし
x = float('nan')
y = x + 5 # NaN
a = ""
b = a + "hello" # "hello"（問題なし）NaNの実務での対処法
発見と確認
まずはデータにNaNがどれくらい含まれているかを確認しましょう。
Pandasでの確認：
import pandas as pd
df = pd.read_csv('data.csv')
# NaNの数を確認
df.isna().sum()
# NaNの割合を確認
df.isna().mean() * 100
# NaNを含む行を表示
df[df.isna().any(axis=1)]削除する
NaNを含むデータを削除する方法です。
注意点： データ量が減るため、慎重に判断しましょう。
# NaNを含む行を削除
df_cleaned = df.dropna()
# 特定の列のNaNのみ削除
df_cleaned = df.dropna(subset=['age', 'income'])
# 全ての値がNaNの行だけ削除
df_cleaned = df.dropna(how='all')補完する（埋める）
NaNを他の値で置き換える方法です。
固定値で埋める：
# 0で埋める
df_filled = df.fillna(0)
# 特定の文字列で埋める
df['name'].fillna('不明')統計値で埋める：
# 平均値で埋める
df['age'].fillna(df['age'].mean())
# 中央値で埋める
df['income'].fillna(df['income'].median())
# 最頻値で埋める
df['category'].fillna(df['category'].mode()[0])前後の値で埋める：
# 前の値で埋める（forward fill）
df.fillna(method='ffill')
# 後ろの値で埋める（backward fill）
df.fillna(method='bfill')補間する
数値データでは、前後の値から推定する補間も有効です。
# 線形補間
df['temperature'].interpolate(method='linear')
# 時系列データの補間
df['sales'].interpolate(method='time')別の列として保持
NaNの有無自体が重要な情報の場合、フラグ列を作成します。
# NaNフラグを作成
df['age_is_missing'] = df['age'].isna().astype(int)
# その後、NaNを適切な値で埋める
df['age'].fillna(df['age'].median())これにより、「年齢が欠損していた」という情報を保持できます。
NaNが引き起こす問題
計算結果がすべてNaNになる
NaNの伝播により、1つのNaNが全体に影響します。
例：
import pandas as pd
df = pd.DataFrame({
'A': [1, 2, float('nan'), 4],
'B': [5, 6, 7, 8]
})
# 合計を計算
df['A'].sum() # NaN（デフォルトではNaNを含む）
# 対処：NaNを無視して計算
df['A'].sum(skipna=True) # 7.0条件分岐が機能しない
NaNは通常の比較演算子では正しく判定できません。
x = float('nan')
if x == float('nan'): # False（実行されない）
print("NaNです")
if pd.isna(x): # True（正しい判定）
print("NaNです")データの可視化でエラー
グラフ描画時にNaNがあると、エラーや不自然な表示になることがあります。
対処法：
- NaNを削除してからプロット
- NaNを適切な値で埋めてからプロット
- ライブラリの設定でNaNを自動的に無視
機械学習モデルのエラー
多くの機械学習アルゴリズムは、NaNを含むデータを受け付けません。
対処が必須：
from sklearn.impute import SimpleImputer
# 平均値で補完
imputer = SimpleImputer(strategy='mean')
X_imputed = imputer.fit_transform(X)NaNを防ぐためのベストプラクティス
データ入力時の検証
データを入力する段階で、NaNの発生を防ぎましょう。
方法：
- 必須項目の設定
- データ型の制限
- 妥当性チェック（年齢は0〜150など）
- デフォルト値の設定
計算前のチェック
計算を行う前に、NaNの有無を確認する習慣をつけましょう。
if df['column'].isna().any():
print("警告：NaNが含まれています")
# 適切な処理を実行try-exceptでのエラー処理
NaNが発生する可能性がある処理は、エラーハンドリングを行いましょう。
try:
result = some_calculation()
except ValueError:
result = float('nan') # または適切なデフォルト値ドキュメントへの記載
自分のコードやデータセットに、NaNの扱い方を明記しましょう。
例：
"""
このデータセットについて：
- age列：NaNは「不明」を意味する
- income列：NaNは中央値で補完済み
- category列：NaNを含む行は削除済み
"""よくある質問と回答
Q1：NaNとNullは同じですか？
A：いいえ、異なる概念です。
- NaN：数値型で、「数値として無効」を表す
- Null（None）：「値が存在しない」を表す
Pandasでは、両方とも pd.isna() で検出できますが、本来の意味は違います。
Q2：なぜ NaN == NaN は False なのですか？
A：IEEE 754浮動小数点数の仕様で、そう定義されているためです。
理由：
- NaNは「定義できない値」なので、比較もできない
- 異なる原因で発生したNaN同士は、同じとは限らない
そのため、判定には isnan() や pd.isna() を使います。
Q3：NaNを0に置き換えるべきですか？
A：状況によります。
0で良い場合：
- カウントデータ（NaNは「0回」を意味する）
- 加算するデータ（NaNがあっても合計に影響させない）
0が不適切な場合：
- 平均を計算するデータ（0で埋めると平均が歪む）
- 重要な欠損情報（NaNの有無自体が意味を持つ）
適切な補完方法を選びましょう。
Q4：Excelの #VALUE! はNaNと同じですか？
A：似ていますが、厳密には異なります。
- #VALUE!：Excelのエラー表示
- NaN：プログラミングでの特殊な値
どちらも「計算できない」ことを示す点では共通しています。
まとめ：NaNを正しく理解して適切に対処しよう
NaNは、データ分析やプログラミングで避けては通れない特殊な値です。
この記事のポイント：
- NaNは「Not a Number」の略で、数値として扱えない値
- 不適切な計算やデータの欠損で発生する
- Python、JavaScript、Rなど多くの言語で使われる
- NaN同士は等しくないため、専用の判定関数を使う
- NaNが1つあると、計算結果全体がNaNになる（伝播）
- NullやInfinityとは異なる概念
- 削除、補完、補間など、状況に応じた対処法がある
- データ入力時の検証や計算前のチェックで予防できる
- 機械学習では必ず対処が必要
NaNに遭遇したら、まずは「なぜNaNが発生したのか」を理解することが大切です。
原因を把握した上で、削除するか補完するか、適切な方法を選びましょう。
データ分析の精度を高めるためにも、NaNの正しい理解と適切な処理は欠かせません。
最初は戸惑うかもしれませんが、慣れればNaNは「データの異常を教えてくれる有用なシグナル」として活用できるようになりますよ。
コメント