当 DataFrame 只包含列 A 或 B 之一时，可通过条件列名选择 + df.at 实现一行代码安全取值，避免 KeyError，无需冗长的 if-else 判断。
当 dataframe 只包含列 a 或 b 之一时，可通过条件列名选择 + `df.at` 实现一行代码安全取值，避免 keyerror，无需冗长的 if-else 判断。
在 Pandas 中，df.at[row, col] 是高效访问标量值的推荐方式，但它要求行列索引必须严格存在，否则立即抛出 KeyError。这使得像 df.at['Total', 'A'] or df.at['Total', 'B'] 这样的写法不可行——因为逻辑或（or）是短路运算，但 Python 在执行 or 前会先求值左侧表达式，一旦 df.at['Total','A'] 报错，整个语句就已中断，右侧根本不会执行。
✅ 正确且简洁的解决方案是：将列名的选择逻辑前置到索引位置，而非依赖异常后退。利用 Python 的条件表达式（三元运算符），动态构造存在的列名：
value = df.at["Total", "A" if "A" in df.columns else "B"]
该写法清晰表达了业务意图：“若列 A 存在，则取 A；否则取 B”，且全程不触发任何异常，性能优于 try/except，也比显式 if-else 更紧凑。
⚠️ 注意事项：
- df.columns 返回的是 Index 对象，in 操作时间复杂度为 O(1)，高效可靠；
- 确保行索引 'Total' 一定存在（本例中假设已知存在）；若行索引也可能缺失，需额外防护，例如结合 df.index.isin(['Total']) 或使用 df.loc + fillna() 组合；
- 不要误写为 if "B" in df else "A" —— df 是 DataFrame，in df 默认检查列名（等价于 in df.columns），虽在此处可行，但强烈建议显式写成 in df.columns 以提升可读性与可维护性：
# 推荐（语义明确）
value = df.at["Total", "A" if "A" in df.columns else "B"]
# 或更健壮的写法（支持多候选列）
candidates = ["A", "B"]
valid_col = next((col for col in candidates if col in df.columns), None)
if valid_col is None:
raise ValueError("None of the candidate columns ['A', 'B'] exist in DataFrame")
value = df.at["Total", valid_col]? 总结：Pandas 本身不提供内置的“fallback column”语法，但借助 Python 原生的条件表达式 + in df.columns 检查，即可用一行安全、高效、易读的代码替代传统分支逻辑。这是数据清洗与配置驱动访问场景下的实用技巧。
