iloc按位置索引，只认物理行号；loc按标签索引，切片为闭区间；二者在返回类型、索引稳定性、性能及适用场景上存在本质差异。
iloc只认数字位置，不认索引标签
当你写 df.iloc[2]，Pandas 不会去看你的行索引是不是叫 '2023'、'C1001' 或者 100，它只数物理内存里的“第几行”：从 0 开始，跳过前两行，取第三行。哪怕你用 df = df.drop([0, 1]) 把前两行删了，df.iloc[0] 依然返回当前 DataFrame 的第一行——不是原来索引为 0 或 1 的那行。
常见错误现象：
-
KeyError不会出现，但结果完全不对：比如你想取“索引为'Q3'的行”，却误用了df.iloc['Q3']→ 直接报TypeError: cannot do positional indexing - 用
df.iloc[1:3]想取两行，结果只拿到第 1、2 行（不含第 3 行），而你脑子里想的是“第 1 行到第 3 行共三行”
loc按标签匹配，切片是闭区间
df.loc[2:4] 的行为完全取决于 df.index 是什么。如果 index 是 [0, 1, 2, 3, 4, 5]，那它返回第 2、3、4 行；如果 index 是 ['a', 'b', 'c', 'd', 'e']，df.loc[2:4] 就直接报错——因为根本不存在标签为 2 的行。
使用场景与参数差异：
- 行切片
df.loc['start':'end']是闭区间：包含'start'和'end'对应的两行（前提是它们都在 index 中） - 列选择
df.loc[:, 'col_a':'col_c']同样闭区间，但要求列名必须是有序可比类型（如数字、日期字符串），否则抛TypeError - 混合写法
df.loc[2, ['A', 'B']]合法，但df.loc[2:4, 0:2]会失败——列名0、1、2必须真实存在于df.columns中
两者对单行/单列返回值类型不一致
这是协作中高频踩坑点：df.iloc[0] 返回 Series，而 df.iloc[[0]] 才返回 DataFrame；df.loc[0] 同样返回 Series，但 df.loc[[0]] 返回 DataFrame。表面看一样，但一旦链式操作（比如后面接 .mean() 或 .plot()），类型错位就会立刻暴露。
容易被忽略的地方：
-
df.iloc[:, 1]返回Series，df.iloc[:, [1]]返回单列DataFrame——后者能直接参与pd.concat，前者会触发隐式升维或广播异常 -
df.loc[:, 'name']和df.loc[:, ['name']]行为不同，尤其在后续做assign或drop时，传错类型会导致静默失败或列名丢失
索引重排后，loc 和 iloc 的“稳定性”完全不同
执行 df = df.sample(frac=1).reset_index(drop=True) 后：df.iloc[0] 仍是你随机抽样的第一行；但 df.loc[0] 可能指向一个完全无关的原始记录（如果原 index 有 0），也可能直接报 KeyError（如果原 index 没有 0）。
性能与兼容性影响：
-
iloc访问是 O(1)，底层直通 NumPy 数组；loc需哈希查找或二分搜索，大数据量下延迟更明显 - 当 index 是非唯一值（如重复的日期字符串），
loc['2023-01-01']返回多行，而iloc[0]始终只返回一行——这个差异在条件筛选后极易被忽略 - 读 CSV 时若未指定
index_col，默认 index 是RangeIndex(0, n)，此时loc和iloc看似等价，但只要调一次df.sort_values(..., inplace=True)，两者就彻底分道扬镳
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
