loc是闭区间、按标签索引，iloc是左闭右开、按位置索引；loc参数为标签（如字符串、日期），iloc仅接受整数；二者坐标系不同，混用必报错。
loc 和 iloc 在切片时最核心的区别就一句话：loc 是闭区间，iloc 是左闭右开——而且它们根本不在同一个坐标系里工作。
切片边界行为完全不同
写 df.loc['a':'c'] 会包含索引为 'a'、'b'、'c' 的所有行（只要这些标签存在且有序）；而 df.iloc[1:4] 只取第 1、2、3 行（不包含第 4 行）。这不是“习惯不同”，是设计契约：loc 按语义找范围，iloc 按内存位置数格子。
- 当 index 是默认
RangeIndex且未被修改时，df.loc[0:2]和df.iloc[0:3]看似结果一样，但逻辑完全割裂——前者在查“有没有标签 0/1/2”，后者在拿“第 0/1/2 行” - 一旦你执行过
df = df.drop([1])，df.loc[0:2]可能只返回两行（因为标签 1 缺失），而df.iloc[0:3]依然稳定返回前三行 - 对日期索引，
df.loc['2023-01':'2023-03']合法；df.iloc['2023-01':'2023-03']直接报TypeError
传参类型不能混，一混就报错
你不能把字符串标签塞给 iloc，也不能把整数位置硬塞给 loc——它们的参数校验非常严格。
-
df.iloc['A']→TypeError: cannot do positional indexing，因为iloc只接受整数、切片、布尔数组或整数列表 -
df.loc[0]不是在取“第 0 行”，而是在找 index 值等于0的那一行；如果 index 是['x', 'y', 'z']，这行直接抛KeyError -
df.loc[0, 'colA']和df.iloc[0, df.columns.get_loc('colA')]才是等价写法，后者把列名转成了位置，避免硬编码列号
单元素 vs 列表索引影响返回类型
这个细节在链式操作里极易翻车：类型不对，后续调用 .mean() 或 .plot() 就会静默失败或报错。
-
df.iloc[0]返回Series，df.iloc[[0]]才返回DataFrame -
df.loc['row1']返回Series，df.loc[['row1']]返回DataFrame - 布尔索引也一样：
df.loc[df['x'] > 5]返回DataFrame，但df.iloc[df['x'] > 5]直接报错——iloc不接受布尔序列作为行索引（除非你先把它转成位置数组）
什么时候该换种写法？
真正需要“按位置选行 + 按标签选列”时，别硬套 loc 或 iloc 单层写法。常见替代路径：
- 先用
iloc定行，再用.loc[:, cols]定列：df.iloc[2:5].loc[:, ['A', 'C']] - 更高效：用
df.columns.get_loc()把列名转位置，喂给iloc：df.iloc[2:5, [df.columns.get_loc('A'), df.columns.get_loc('C')]]，前提是列名唯一 - 对 MultiIndex，
loc支持元组如df.loc[('A', 'X'), :]，iloc仍只认扁平位置，没法直接表达层级语义
最易被忽略的一点：当你写 df.loc[...] 或 df.iloc[...] 的瞬间，脑子里必须明确回答——我在数“第几个”，还是在找“叫什么”。答案错了，后面所有计算都不可信。
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！
