企业官网建设流程全解析

前言

loc和iloc是 pandas 里最核心的两个索引器（indexer）， 但它们的区别常常被一句"一个按标签、一个按位置"带过，真用起来还是踩坑。 这篇把两者的行为差异逐条拆开，配可直接推演的示例。

它们的定位很明确：.loc[]是基于标签的索引器，写5会被当作索引里名为 5 的 标签，而不是第 5 个位置；.iloc[]是纯位置索引器，接受 0 到len-1的整数位置。官方文档里对两者都还有补充：它们都能接受布尔数组， 也都能接受一个可调用对象（callable）；.loc的切片两端都含，.iloc的切片含头不含尾。这几条正是误用的重灾区。

前提说明：pandas 是第三方库，本机没有 Python 解释器也没有 pandas， 示例无法运行验证，只能逐行人工推演。行为细节以 Pandas 官方文档为准。

一、用同一张表对比

# pandas 1.0+
import pandas as pd

df = pd.DataFrame(
{"name": ["A", "B", "C"], "age": [25, 30, 28]},
index=["r1", "r2", "r3"],
)

现在行索引是字符串r1..r3，列是name/age。下面逐项对比：

看出来了吗？df.loc["r1":"r2"]会取到r1和r2两行， 而df.iloc[0:1]只取到位置 0 的那一行。切片端点是否包含，是二者最反直觉的差别。

另外要留意元组定位：df.loc[行, 列]和df.iloc[行, 列]里的两个分量， 分别对应"行轴"和"列轴"，各自遵循自己的标签/位置规则。写df.loc[0, 1]并不会自动把1当成列位置，而是当成"名为 1 的列标签"。

二、为什么loc里的数字不是位置

如果行索引是整数（比如默认的RangeIndex），写法看起来一样，语义却不同：

# pandas 1.0+
df2 = pd.DataFrame({"v": [10, 20, 30, 40]}) # 索引 0,1,2,3
print(df2.loc[2]) # 标签为 2 的那一行 -> 30
print(df2.iloc[2]) # 位置为 2 的那一行 -> 30

这里两者碰巧一样，因为标签恰好等于位置。但只要索引有偏移，差别立刻显现：

# pandas 1.0+
df3 = df2.copy()
df3.index = [10, 20, 30, 40]
print(df3.loc[30]) # 标签 30 -> 值 30
print(df3.iloc[2]) # 位置 2 -> 也是 30（此处巧合）
print(df3.iloc[30]) # 位置 30 越界，抛 IndexError

关键结论：df.loc[30]找的是"索引名为 30"的行，df.iloc[30]找的是"第 31 行"。当索引进过set_index或筛选后不连续时， 两者绝不能互换。

三、布尔数组与可调用对象

两者都支持布尔数组：

# pandas 1.0+
print(df.loc[df["age"] > 26, "name"]) # 布尔 Series 筛行
print(df.iloc[[False, True, True], 0]) # 显式布尔列表

.loc更常和条件表达式搭配，.iloc则偶尔用它做位置掩码。 注意布尔数组长度必须与对应轴一致，否则报错。

两者也都能接一个可调用对象，这一点在"链式调用"里很有用：

# pandas 1.0+
print(df.loc[lambda x: x["age"] > 26])

传进 callable 时，参数是当前被索引的对象本身（Series或DataFrame）， 返回的应是可索引的东西（布尔序列、标签列表等）。

四、单值与整行的取舍

# pandas 1.0+
row = df.loc["r1"] # 返回 Series
val = df.loc["r1", "age"] # 返回标量 25
cols = df.loc[:, ["name"]] # 返回 DataFrame

要特别注意"返回的是Series还是标量"：多给一个维度就降一级。 如果只想取一个标量且追求更快，可用df.at["r1", "age"]； 位置版对应df.iat[0, 1]。它们的语义就是loc/iloc的单点访问器。

五、切片可以越界吗

官方文档指出：iloc的切片索引器允许越界（符合 Python/NumPy 的切片语义）， 但单个整数索引器越界会报错。也就是说：

# pandas 1.0+
print(df.iloc[0:100]) # 允许，最多取到表尾，不报错
print(df.iloc[100]) # 越界，抛 IndexError

而loc的切片是按标签走的，端点标签必须存在，否则会KeyError。 这一点常被写成"iloc更宽容"，准确说法是"只有切片的越界被允许"。

六、赋值时为什么要坚持用loc

loc除了取值，更是赋值的正确入口。原因在于 pandas 对"视图还是副本" 的处理：当你先切出一块、再往切出来的东西上写，写动的可能是一份临时副本， 原表没变；在旧版这会触发SettingWithCopyWarning。

# pandas 1.0+
df.loc[df["age"] > 26, "name"] = "X" # 一次定位、一次赋值

从 pandas 3.0 起，写时复制（Copy-on-Write）成为默认行为，SettingWithCopyWarning这个警告本身被移除，语义统一为 "任何切片都是逻辑副本，改切片不影响原对象"。所以正确的姿势是：在原对象上一次说清楚"改哪些行、哪一列"，然后赋值，而不是df[...][...] = ...。iloc同样可以赋值，位置和标签的规则与取值时一致。

七、完整示例

# pandas 1.0+
import pandas as pd


def demo() -> None:
df = pd.DataFrame(
{"name": ["A", "B", "C"], "age": [25, 30, 28]},
index=["r1", "r2", "r3"],
)
# 标签定位
print(df.loc["r1", "name"]) # A
print(df.loc["r1":"r2", "age"]) # r1、r2 两行
# 位置定位
print(df.iloc[0, 1]) # 25
print(df.iloc[0:1, 1]) # 只有位置 0 一行
# 布尔与可调用
print(df.loc[df["age"] > 26, "name"])
print(df.iloc[lambda x: [True, False, True]])
# 单点访问器
print(df.at["r3", "age"], df.iat[2, 1])


if __name__ == "__main__":
demo()

常见坑点

1. 
   
2. 把loc里的数字当成位置
3. 
   

❌ 索引是[10, 20, 30]时写df.loc[2]，以为取第 3 行 ✅df.loc[2]找的是"名为 2"的标签；按位置要用df.iloc[2]

1. 
   
2. loc和iloc的切片端点规则记反
3. 
   

❌ 以为df.loc["a":"c"]不含c✅loc切片两端都含，iloc切片含头不含尾

1. 
   
2. 单列取出来当成 DataFrame
3. 
   

❌df.loc["r1", "name"]得到标量，却去调.columns✅ 返回Series还是标量取决于给了一个还是两个维度

1. 
   
2. 用iloc做越界的单点访问
3. 
   

❌df.iloc[100]想"取不到就返回空" ✅ 单个位置越界会IndexError；只有切片允许越界

1. 
   
2. 布尔数组长度对不上
3. 
   

❌df.loc[[True, False], :]而表有 3 行，报长度不匹配 ✅ 布尔数组长度必须等于被索引轴的长度

1. 
   
2. loc用不存在的标签做切片
3. 
   

❌df.loc["a":"zzz"]以为会截断到表尾 ✅loc端点标签必须存在，否则KeyError

1. 
   
2. 链式赋值
3. 
   

❌df.loc[df["age"] > 26]["name"] = "X"，旧版报警告、新版可能无效 ✅ 一次定位一次赋值：df.loc[df["age"] > 26, "name"] = "X"

1. 
   
2. 把两者混在同一行里
3. 
   

❌df.loc[0, 1]以为"第 0 行第 1 列"，其实两个参数都按标签解释 ✅ 位置一律iloc，标签一律loc，一行里别混用

总结

判断该用哪个，只需问自己一句："我手上的是标签还是序号？" 标签用loc，序号用iloc，永不互换。再记住"loc切片两端都含、iloc切片含头不含尾"这一条，绝大多数索引困惑就能当场解开。