df.values.tolist()将DataFrame转为按列顺序排列的嵌套列表，不保留列名，不处理NaN，性能优于to_dict('records')但依赖列顺序稳定性。

直接用 df.values.tolist() 会丢掉列名，且顺序依赖 df.columns 排序

这个方法本质是把 DataFrame 底层的 NumPy 数组转成 Python 列表，每行一个子列表，元素顺序严格按 df.columns 当前顺序来。不是按你定义时的顺序，也不是按原始读取顺序——如果中间调过 reindex()、drop() 或改过列名，顺序就变了。

常见错误现象：df.values.tolist() 返回的每行数据和你用 df.to_dict('records') 看到的字段对不上，尤其在重排过列或删过列之后。

• 如果只要纯数据、不关心列名，且确认列顺序稳定，它最快
• 如果后续要靠索引位置取值（比如 row[2] 表示“年龄”），千万别依赖它——列顺序一变就崩
• 它不处理 NaN：np.nan 会原样变成 float('nan')，JSON 序列化时报错

转换特定列推荐用 df[['col1', 'col2']].values.tolist()

比先切片再 .values.tolist() 更安全，因为明确锁定了列集合和顺序。不会受 df.columns 全局变化影响，也避免手误写错列名后返回空或报错（KeyError 比静默错位好）。

使用场景：导出报表、拼接 SQL INSERT 值、喂给 requests.post 的 json= 参数等需要结构确定的场合。

• 列名必须存在，否则抛 KeyError: "['xxx'] not in index"
• 支持重复列名：df[['a', 'a']].values.tolist() 会返回两列相同数据
• 性能上比 df.to_dict('records') 高约 3–5 倍（百万行级测试），因为绕过了字典构造开销

to_list() 是 Series 方法，DataFrame 上不能直接用

新手常输 df['col'].to_list() 成功，就以为 df.to_list() 也存在——实际会报 AttributeError: 'DataFrame' object has no attribute 'to_list'。这是 Pandas 明确区分的设计：列表化行为只对一维结构（Series、Index）开放。

如果你看到别人写了 df.to_list() 能跑，大概率是用了旧版 Pandas（df.values.tolist()。

• 正确写法只有：df['col'].to_list()（单列）、df.values.tolist()（全表）、df.values[:, [0,2]].tolist()（指定列位置）
• to_list() 比 list(series) 快，且自动把 pd.NA 转成 None（list() 保留 pd.NA）

NaN 和 pd.NA 处理不一致，转列表前最好显式填充

df.values.tolist() 对 np.nan 生成 float('nan')，对 pd.NA（字符串/布尔扩展类型）直接报 ValueError: Unable to convert to native types。这不是 bug，是底层类型系统限制。

容易踩的坑：读 CSV 时加了 dtype={'col': 'string'}，结果该列含空值就变成 pd.NA，一调 .values.tolist() 就崩。

• 稳妥做法：df.fillna('').values.tolist()（填空字符串）或 df.replace({pd.NA: None}).values.tolist()
• 如果列类型混合（比如有 int 和 NaN），df.astype(object).values.tolist() 可兜底，但会损失数值运算能力
• 别用 df.dropna() 代替填充——除非你真想丢数据

列顺序、缺失值表示、类型一致性，这三个点不提前对齐，转出来的列表在下游几乎必然出问题。