用at还是iat取决于索引类型：标签索引用at，整数位置索引用iat；两者仅支持单点访问且不支持链式调用或布尔索引，性能优于loc/iloc但需确保操作原始视图。
用 at 还是 iat？先看你是按标签还是按位置找单元格
两者都只能改单个值，但底层逻辑完全不同：at 基于行索引标签和列名（比如 df.at['row1', 'col_a']），iat 基于整数位置（比如 df.iat[0, 2]）。用错会直接报错，不是静默失败。
- 如果你的 DataFrame 索引是默认
RangeIndex（0, 1, 2…），但你想靠“第3行第2列”这种位置思维操作，就该用iat；硬套at写df.at[2, 'col_b']可能改错行（因为索引值不等于位置） - 如果索引是自定义字符串（比如用户ID、日期），必须用
at；iat在这种情况下完全没法用 -
at支持列名是字符串或数字（只要列名类型匹配），iat的列参数只能是整数
赋值时遇到 KeyError 或 IndexError 怎么办
这是最常卡住的地方：不是语法错，而是目标位置根本不存在。
-
KeyError: 'xxx'→ 行索引或列名拼错了，或者该标签压根不在df.index或df.columns里。先检查df.index.tolist()和df.columns.tolist() -
IndexError: single positional indexer is out-of-bounds→iat的行/列下标超了范围。注意：最大行号是len(df) - 1，不是len(df) - 别在链式调用里用它们，比如
df.query('x > 1').at[0, 'y'] = 99会报SettingWithCopyWarning或静默失败——必须确保操作的是原始 DataFrame 视图
为什么不用 loc/iloc？它们和 at/iat 的性能差多少
loc 和 iloc 是通用切片接口，支持多行多列；at/iat 是专为单点访问优化的快捷方式，底层跳过很多校验逻辑。
- 单点赋值场景下，
at比loc快 2–5 倍，iat比iloc快 3–8 倍（尤其在大表中差异明显） - 但如果你要改一整列满足条件的值，别硬拆成循环调
at，那反而更慢——直接用布尔索引 +loc：df.loc[df['a'] > 5, 'b'] = 0 -
at/iat不支持布尔索引或切片，写df.at[df['x'] > 1, 'y']会直接报错
修改后数据没变？检查是否触发了隐式拷贝
Pandas 对视图（view）和拷贝（copy）的判断很敏感，at/iat 只能在原地修改视图，一旦底层是拷贝，赋值就无效。
立即学习“Python免费学习笔记（深入）”；
- 常见诱因：从另一个 DataFrame 切片得来（如
sub_df = df.iloc[:100]），再对sub_df用at—— 大概率改的是拷贝，原df不变 - 验证方法：改完后打印
sub_df._is_view（非公开属性，仅调试用）或直接查原df对应位置 - 稳妥做法：用
.copy()显式声明意图，或直接在原始 DataFrame 上操作
实际改值就一行，但前提是你清楚自己在哪个“空间”里操作——索引标签空间、整数位置空间，还是一个可能已脱离原始内存的副本。很多人卡住，不是不会写 at，是没意识到 Pandas 的赋值行为始终绑定在数据对象的内存身份上。
