在NumPy中，用来表示缺失值的正确答案是 **C: np.nan**。下面是专业分析：

### 选项分析

- **A: nan**
- 虽然“nan”是一个常用的术语来表示“Not a Number”，但在NumPy中必须使用`np.nan`来表示缺失值。单独的`nan`在NumPy中并没有定义。

- **B: none**
- `None`是Python中的一个特殊对象，用于表示“什么也没有”。在NumPy中，`None`并不是专门用来表示缺失值。

- **C: np.nan**
- `np.nan`是NumPy库定义的一个常量，用于表示浮点数中的缺失值。它遵循IEEE浮点数标准中的NaN（Not a Number）的定义，适用于处理缺失数据或表示未定义的数值运算。

- **D: -**
- 符号“-”本身没有用于表示缺失值的特殊意义。因此不能作为缺失值的标识。

### 专业分析

NumPy库的设计符合IEEE 754标准，支持浮点数运算中的NaN值。使用`np.nan`可以进行缺失值操作，且与其他值进行比较时具有特殊的行为。例如：

- 如果一个数组中包含`np.nan`，那么对该数组的直接运算可能会受到影响（例如求和、平均等）, 因为`np.nan`不是等于任何数字（包括它自己）。可以使用`np.isnan()`函数来检测`np.nan`。

- 在数据分析过程中，`np.nan`经常用于处理缺失数据。NumPy的许多函数和方法能够有效地处理这些缺失值（例如通过`np.isnan()`判断或使用`np.nanmean()`计算均值时忽略NaN）。

### 示例代码

以下是一个处理`np.nan`的简单示例：

```python
import numpy as np

# 创建包含np.nan的数组
data = np.array([1.5, np.nan, 3.2, np.nan, 4.5])

# 判断数组中哪些是缺失值
missing_values = np.isnan(data)

# 输出结果
print("Data: ", data)
print("Missing Values: ", missing_values)

# 计算忽略缺失值的平均值
mean_value = np.nanmean(data)
print("Mean (ignoring NaN): ", mean_value)
```

通过以上分析可知，`np.nan`是NumPy中用于表示缺失值的标准方式。