loc按标签索引且右端点包含，iloc按整数位置索引且左闭右开；混用不报错但结果易错，关键看操作对象是标签还是物理位置。
loc 和 iloc 不是“选哪个更好”，而是“用错就 silently 错”——它们根本不在同一坐标系里工作，混用不会报错，但结果可能差一行、一列，甚至整块数据全偏。
loc 按标签切片：右端点被包含，且必须真实存在
当你写 df.loc[0:100, 'amount']，它找的是索引中标签为 0 到 100（含）的所有行。如果 df.index 是 [0, 1, 2, ..., 99, 100]，那确实取 101 行；如果索引是 ['a', 'b', 'c']，这行直接 KeyError；如果索引是 [10, 20, 30, 40]，df.loc[0:100] 会返回空——因为标签 0 根本不存在。
- 列切片也一样：
df.loc[:, 'A':'C']要求列名'A'、'B'、'C'必须在df.columns中，且能比较大小（比如数字或规范日期字符串），否则抛TypeError - 单标签访问如
df.loc[5]返回Series，df.loc[[5]]才返回单行DataFrame——后续接.assign()或pd.concat()时类型不匹配会静默失败 - 重置索引后风险放大：执行过
df = df.sample(frac=1).reset_index(drop=True)，df.loc[0]就不再是你以为的“第一行”，而可能是原始数据里某条索引恰好为 0 的记录（如果还存在），也可能直接报错
iloc 按位置切片：纯整数，左闭右开，不看索引长啥样
df.iloc[0:100] 就是物理上第 0 行到第 99 行（共 100 行），和 df.index 是什么完全无关。哪怕你删了前 50 行，df.iloc[0] 仍指向当前 DataFrame 的首行。
-
df.iloc[2]永远是第三行，不管那一行的索引标签是'2023-Q3'还是None - 传非整数会立刻报错：
df.iloc['b']→TypeError: cannot do positional indexing，比loc的静默错误更容易暴露问题 -
df.iloc[:, 1]返回Series，df.iloc[:, [1]]返回单列DataFrame——这点和loc行为一致，但新手常忽略，导致后续.plot()或.mean(axis=1)报错
布尔条件筛选时，loc 和 iloc 的行为差异最隐蔽
写 df[df['age'] > 30] 实际调用的是 df.loc[df['age'] > 30]，不是 iloc。但如果你先用布尔数组得到位置序号再转成 iloc，就得自己映射：
立即学习“Python免费学习笔记（深入）”；
mask = df['age'] > 30 positions = np.where(mask)[0] # 得到满足条件的物理位置 df.iloc[positions] # 这才等价于 df.loc[mask]
- 直接
df.iloc[mask]会报错——iloc不接受布尔数组，只认整数、整数列表或切片 - 用
df.loc[mask]最安全，因为它天然支持布尔索引，且返回结果的索引保持原样（可用于后续对齐） - 性能上：
iloc是 O(1) 数组直取，loc需哈希或二分查找，大数据量下延迟更明显，但日常分析中感知不强
怎么选？看你的“参照系”是什么
不看文档，只问自己两个问题：
- 你想取“索引值为
'2023-01'的那几行”？→ 用loc - 你想取“表格里从上往下数第 5 到第 10 行”？→ 用
iloc - 你在做条件过滤（比如
df['score'] >= 85）？→ 默认走loc，别动它 - 你在拼接多个
DataFrame后统一取第 2 列？→ 用iloc[:, 1]，避免列名不一致引发的KeyError
最容易被忽略的点：同一个切片表达式，在不同 DataFrame 上可能一个走 loc 一个走 iloc，只因索引类型不同。别依赖“看起来一样”，要明确自己在操作标签还是位置。
