df['col']是安全、通用、推荐的列访问方式；df.col是有严格限制的属性访问机制，仅当列名符合Python标识符规则且不与内置属性冲突时才生效，否则静默失败或报错。

df['col'] 和 df.col 看似一样，其实根本不是一回事

直接说结论：df['col'] 是安全、通用、推荐的列访问方式；df.col 是有严格限制的“快捷写法”，不是语法糖，而是属性访问机制，用错会静默失败或报错。

为什么 df.col 会突然不工作？常见错误现象

你写了 df.name 却得到 AttributeError: 'DataFrame' object has no attribute 'name' —— 这不是 bug，是预期行为。因为：

• df.col 实际上是在尝试访问 DataFrame 的 Python 属性（类似调用 df.shape 或 df.index），它只在列名满足 Python 标识符规则时才“碰巧”生效
• 列名含空格（如 'user id'）、数字开头（如 '3rd_visit'）、特殊符号（如 'price($)' ）或与内置方法同名（如 'items'、'T'、'dt'）时，df.col 必然失效
• 即使列名合法（如 'age'），若 DataFrame 已存在同名方法（比如你手动加了 df.age = ...），也会被覆盖或冲突

df['col'] 能干啥，df.col 不能干？实操建议

df['col'] 是 Pandas 显式索引协议的一部分，稳定、可预测、无歧义；df.col 只是它的“弱替代”，且不可逆向操作：

• df['new_col'] = [...] ✅ 合法：支持创建/赋值新列
• df.new_col = [...] ❌ 不合法：Pandas 会发出 UserWarning，且赋值无效（数据不会写入 DataFrame）
• df[['col1', 'col2']] ✅ 合法：返回 DataFrame；而 df.col1.col2 ❌ 语法错误，无法链式取多列
• 列名是变量时，只能用 df[col_name]（col_name = 'sales_q1'），df.col_name 完全无法动态解析

性能和兼容性：别为省两个字符冒险

有人觉得 df.col “更快”——实际测试中差异可忽略（纳秒级），但代价是：

• 代码脆弱：列名一改，所有 df.col 处都得重查、重改，IDE 也无法可靠跳转或补全
• 协作风险：队友可能误以为这是“标准写法”，后续加列名含空格的 CSV 就直接崩
• Pandas 官方文档明确标注：属性访问仅用于“便捷读取已知合法列名”，不用于生产逻辑

真正容易被忽略的是：当你用 df.col 读取一列，得到的是 pd.Series；但如果你误以为它和 df['col'] 完全等价，后续做 .loc 或布尔索引时，可能因索引对齐问题引入隐式错误——因为属性访问绕过了 Pandas 的索引一致性检查机制。