at和iat是Pandas中专用于单点写入的高效方法：at适用于标签索引的单个标量赋值，iat适用于整数位置的极致性能写入，二者均不支持批量操作且需注意视图、类型兼容性及Copy-on-Write等陷阱。
at 和 iat 是 Pandas 中真正能“单点写入”的方法，比 loc/iloc 快得多，尤其适合循环中反复修改单个值。但它们不能批量赋值，用错场景反而会报错或静默失败。
什么时候该用 at 而不是 loc
at 专为「标签索引 + 单个标量」设计，比如你想按行名、列名直接改一个格子，且确定行/列名存在。它比 loc[row, col] 少一层解析开销，实测快 2–3 倍。
- ✅ 正确：df.
at['2023-01-01', 'price'] = 99.5（索引是日期字符串，列名是 'price'） - ❌ 错误：df.
at['2023-01-01', ['price', 'qty']] = [99.5, 10]（at不支持多列） - ⚠️ 注意：
at在行/列名不存在时抛KeyError，而loc可能自动扩展 DataFrame
iat 的唯一适用场景：整数位置 + 极致性能
iat 绕过所有标签查找，直接按整数坐标（0-based）读写，是 Pandas 里最快的单点访问方式。但它和 iloc 的区别在于：只接受两个整数，不支持切片、列表或布尔索引。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- ✅ 正确：df.
iat[0, 2] = 42（第 0 行、第 2 列） - ❌ 错误：df.
iat[0, [2, 3]] = [42, 43]（第二维必须是单个 int） - ⚠️ 风险：如果 DataFrame 索引被重排过（比如调用过
sort_index()），iat的行列号仍按物理顺序算，和标签无关 —— 容易写错位置
常见陷阱：赋值后没生效？检查这三件事
很多人写了 at/iat 却发现值没变，通常卡在这几个地方：
立即学习“Python免费学习笔记（深入）”；
- 赋值目标是视图（view）而非原 DataFrame：确保 df 没被链式索引截断，比如
df[df.flag].at[...]是无效的 - 数据类型不兼容：比如对
int64列用at赋float，Pandas 默认不自动升格，会静默转成nan（开启pd.options.mode.chained_assignment = 'warn'可捕获） - 用了 copy-on-write 模式（Pandas 2.0+ 默认）：某些操作会触发拷贝，
at修改的是副本。加一句df = df.copy()或显式禁用（pd.options.mode.copy_on_write = False）可绕过
真正需要单点修改时，at 和 iat 是无可替代的；但它们像手术刀——精准，也容易划伤自己。别试图用它们做批量操作，也别在不确定索引结构时硬套 iat。
