iloc只认数字位置，不认列名或索引标签；取值需用整数、切片或列表，单元素返回标量，行列加方括号才得DataFrame，负数索引有效但越界切片静默返回空。

iloc 只认数字位置，不认列名或索引标签

你写 df.iloc[0, 'age'] 会直接报错：ValueError: Location based indexing can only have [integer, integer slice, list-like, boolean array] types。因为 iloc 的设计原则就是纯位置索引——行和列都必须用整数或整数切片，跟列名、索引值完全无关。

常见错误是混用 loc 和 iloc 的逻辑：比如想取第一行“age”列，误写成 df.iloc[0, 'age']；正确做法是先用 df.columns.get_loc('age') 拿到列位置，再传给 iloc。

• 用 df.columns.get_loc('col_name') 查列号（返回 int），再喂给 iloc
• 用 df.index.get_loc(label) 查行号——但这只适用于你想把 label 转成位置时，iloc 本身不接受 label
• 切片如 df.iloc[1:4, 2:5] 是左闭右开，和 Python 列表一致，不是 SQL 那种闭区间

取单行、单列、多行多列的写法差异

iloc 对单元素、列表、切片的处理方式不同，稍不注意就会返回意外类型。比如你以为 df.iloc[0, 0] 是标量，它确实是；但 df.iloc[[0], 0] 返回的是 Series，而 df.iloc[0, [0]] 返回的是 Series（带 name），df.iloc[[0], [0]] 才是单单元格的 DataFrame。

这直接影响后续链式操作：对 Series 调 .mean() 没问题，但对 DataFrame 就得指定 axis，否则默认按列算。

• 取单值：df.iloc[2, 3] → 标量（如 float64）
• 取一行：df.iloc[2, :] → Series；df.iloc[[2], :] → DataFrame
• 取一列：df.iloc[:, 1] → Series；df.iloc[:, [1]] → DataFrame
• 要确保结果是 DataFrame，行列都要用列表包裹，哪怕只有一个

遇到负数索引或越界时的行为

iloc 支持负数，-1 表示最后一行，-2 是倒数第二行……但它**不支持负数切片的“自动截断”**。比如 df.iloc[-5:, :] 在数据少于 5 行时不会报错，而是从第 0 行开始取；但 df.iloc[100:, :] 这种明显越界的切片，会返回空 DataFrame，不抛异常——这点容易掩盖逻辑错误。

更隐蔽的问题是混合使用负数和正数：如 df.iloc[-2:2, :]，由于 -2 在 2 前面，结果为空；Python 切片规则依然生效，不会自动调整顺序。

• 负数索引安全，但别依赖它“兜底”，显式检查 len(df) >= N 更可靠
• 越界切片静默返回空，建议在关键步骤后加 assert not df_result.empty 或检查 shape
• df.iloc[100]（单索引）会明确报 IndexError，但 df.iloc[100:101] 不会

和 loc、iat、at 的性能与适用场景对比

如果你只按位置取单个值，iat 比 iloc 快得多（底层绕过索引校验）；但 iat 只支持单行单列，不能切片、不能列表索引。而 iloc 是通用位置索引器，灵活但有额外开销。

另一个坑是：当 DataFrame 有重复索引时，loc 可能返回多行，iloc 则完全不受影响——它只看物理位置。所以如果业务逻辑依赖“第 N 条记录”，必须用 iloc，而不是靠 loc + 原始索引。

• 单点取值优先用 df.iat[row_int, col_int]，比 iloc 快 3–5 倍
• 需要切片、布尔数组、列表索引 → 只能用 iloc
• 列名稳定且需语义化读取 → 用 loc；但要注意 loc 的切片是闭区间（loc[1:3] 包含第 3 行）
• 修改值时，iloc 和 iat 都支持赋值，但 iat 不支持链式赋值（df.iloc[0, 0] = x 安全，df[df.a>1].iat[0,0] = x 会 SettingWithCopyWarning）

实际写的时候，最常被忽略的是：你以为 iloc 返回的是你要的结构，结果发现是 Series 而不是 DataFrame，后续 .apply() 或 .merge() 直接崩掉。确认 shape 和 type，比猜更省时间。