索引界的四大天王：loc, iloc, at, iat 的传奇故事 (附带避坑指南)
各位屏幕前的编程英雄们，大家好！我是你们的老朋友，人称Bug终结者、代码段子手、咖啡因爱好者——程序猿阿豪。今天，咱们不聊那些高深的算法，也不谈那些玄乎的架构，咱们聊聊数据分析师和数据科学家们每天都要打交道的“索引”和“选择数据”。
想象一下，你手握着一个巨大的藏宝图（也就是你的DataFrame），里面埋藏着无数的金币（数据）。但是，藏宝图上密密麻麻的标记让你眼花缭乱，你该如何精准地找到你想要的那部分宝藏呢？ 这时候，就需要我们的索引界四大天王闪亮登场了！
没错，他们就是：loc, iloc, at, iat。 听起来像不像武侠小说里的四大高手？ 他们个个身怀绝技，能帮你从DataFrame中精准地提取数据。 但是，江湖险恶，一不小心就会踩到坑。 今天，阿豪就带大家深入了解这四位大侠， 掌握他们的使用方法，从此告别索引报错，成为数据寻宝达人！
第一回：loc 大侠 – 标签索引的王者
loc 大侠，顾名思义，是基于标签（label）进行索引的。 他就像一个经验丰富的向导，熟悉藏宝图上的每一个地名，只要你告诉他地名，他就能准确地带你找到宝藏。
语法：
df.loc[row_label, column_label]row_label： 行标签（行的名称或索引值）column_label： 列标签（列的名称）
实例演示：
假设我们有一个关于学生成绩的DataFrame，如下所示：
import pandas as pd
data = {'姓名': ['张三', '李四', '王五', '赵六'],
'语文': [80, 90, 75, 85],
'数学': [95, 88, 92, 78],
'英语': [82, 78, 85, 90]}
df = pd.DataFrame(data)
df = df.set_index('姓名') # 将“姓名”列设置为索引
print(df)输出结果：
语文 数学 英语
姓名
张三 80 95 82
李四 90 88 78
王五 75 92 85
赵六 85 78 90现在，我们想找到张三的语文成绩，可以这样写：
zhangsan_yuwen = df.loc['张三', '语文']
print(f"张三的语文成绩是：{zhangsan_yuwen}")输出结果：
张三的语文成绩是：80是不是很简单？ loc 大侠就像一个精准的定位仪，根据你提供的标签，直接找到对应的数据。
更高级的用法：
loc 不仅可以提取单个数据，还可以提取多行、多列，甚至可以进行切片操作！
-
提取多行：
top_students = df.loc[['张三', '李四']] # 提取张三和李四的成绩 print(top_students)输出结果：
语文 数学 英语 姓名 张三 80 95 82 李四 90 88 78 -
提取多列：
chinese_math = df.loc[:, ['语文', '数学']] # 提取所有学生的语文和数学成绩 print(chinese_math)输出结果：
语文 数学 姓名 张三 80 95 李四 90 88 王五 75 92 赵六 85 78 -
切片操作：
middle_students = df.loc['李四':'王五'] # 提取李四到王五（包含）的成绩 print(middle_students)输出结果：
语文 数学 英语 姓名 李四 90 88 78 王五 75 92 85注意：
loc的切片操作是包含结束标签的，这一点和Python的列表切片不同！
loc 使用注意事项（避坑指南）：
-
标签不存在： 如果你提供的标签在DataFrame中不存在，
loc会毫不留情地抛出一个KeyError异常。 所以，在使用loc之前，一定要确认你的标签是正确的！# 错误的例子 #df.loc['阿豪', '语文'] # 会报错，因为DataFrame中没有名为“阿豪”的行 -
标签类型不一致：
loc严格按照标签类型进行匹配。 如果你的行索引是字符串类型，而你却用整数进行索引，也会报错。 -
链式索引的坑： 避免使用链式索引，例如
df['语文']['张三']。 这种写法可能会导致意想不到的错误，而且效率较低。 应该使用loc直接定位到目标数据。# 错误的例子 #df['语文']['张三'] # 不推荐使用 # 正确的例子 df.loc['张三', '语文']
第二回：iloc 大侠 – 位置索引的隐士
iloc 大侠则是一位隐士高手，他不喜欢抛头露面，只用数字来交流。 他是基于整数位置（integer position）进行索引的，就像一个坐标系统，只要你告诉他横纵坐标，他就能准确地找到对应的数据。
语法：
df.iloc[row_index, column_index]row_index： 行索引（整数位置，从0开始）column_index： 列索引（整数位置，从0开始）
实例演示：
还是用上面的学生成绩DataFrame：
print(df)输出结果：
语文 数学 英语
姓名
张三 80 95 82
李四 90 88 78
王五 75 92 85
赵六 85 78 90现在，我们想找到第二行（李四）的第三列（英语）的成绩，可以这样写：
lisi_english = df.iloc[1, 2]
print(f"李四的英语成绩是：{lisi_english}")输出结果：
李四的英语成绩是：78更高级的用法：
iloc 同样可以提取多行、多列，以及进行切片操作，用法和 loc 类似，只不过使用的是整数位置。
-
提取多行：
first_two_students = df.iloc[[0, 1]] # 提取第一行和第二行的成绩 print(first_two_students)输出结果：
语文 数学 英语 姓名 张三 80 95 82 李四 90 88 78 -
提取多列：
first_two_subjects = df.iloc[:, [0, 1]] # 提取所有学生的语文和数学成绩 print(first_two_subjects)输出结果：
语文 数学 姓名 张三 80 95 李四 90 88 王五 75 92 赵六 85 78 -
切片操作：
middle_students = df.iloc[1:3] # 提取第二行到第四行（不包含）的成绩 print(middle_students)输出结果：
语文 数学 英语 姓名 李四 90 88 78 王五 75 92 85注意：
iloc的切片操作是不包含结束位置的，这一点和Python的列表切片一致！
iloc 使用注意事项（避坑指南）：
-
索引越界： 如果你提供的整数位置超出了DataFrame的范围，
iloc也会毫不留情地抛出一个IndexError异常。 所以，在使用iloc之前，一定要确认你的索引没有越界！# 错误的例子 #df.iloc[10, 0] # 会报错，因为DataFrame只有4行 -
索引类型错误：
iloc只能接受整数作为索引。 如果你使用字符串或者其他类型进行索引，也会报错。 -
与
loc混淆：iloc和loc的区别在于索引方式不同。loc使用标签索引，而iloc使用整数位置索引。 一定要分清两者的区别，避免混淆！ （阿豪建议：记住i代表integer， 这样就不会弄混啦！😄）
第三回：at 大侠 – 极致性能的刺客
at 大侠是一位追求极致性能的刺客。 他只专注于提取单个数据，速度极快，就像一把锋利的匕首，直击目标。
语法：
df.at[row_label, column_label]row_label： 行标签column_label： 列标签
实例演示：
还是用上面的学生成绩DataFrame：
print(df)输出结果：
语文 数学 英语
姓名
张三 80 95 82
李四 90 88 78
王五 75 92 85
赵六 85 78 90现在，我们想找到王五的数学成绩，可以这样写：
wangwu_math = df.at['王五', '数学']
print(f"王五的数学成绩是：{wangwu_math}")输出结果：
王五的数学成绩是：92at 使用注意事项（避坑指南）：
-
只能提取单个数据：
at只能用于提取单个数据，不能用于提取多行、多列或者进行切片操作。 如果你需要提取多个数据，应该使用loc或者iloc。 -
标签不存在： 如果你提供的标签在DataFrame中不存在，
at会抛出一个KeyError异常。 -
性能优势：
at的优势在于性能。 当你需要频繁地提取单个数据时，at的效率会比loc略高。
第四回：iat 大侠 – 整数坐标的闪电
iat 大侠是 at 的整数位置版本。 他同样追求极致性能，只专注于根据整数位置提取单个数据，速度如闪电般迅捷。
语法：
df.iat[row_index, column_index]row_index： 行索引（整数位置）column_index： 列索引（整数位置）
实例演示：
还是用上面的学生成绩DataFrame：
print(df)输出结果：
语文 数学 英语
姓名
张三 80 95 82
李四 90 88 78
王五 75 92 85
赵六 85 78 90现在，我们想找到第三行（王五）的第二列（数学）的成绩，可以这样写：
wangwu_math = df.iat[2, 1]
print(f"王五的数学成绩是：{wangwu_math}")输出结果：
王五的数学成绩是：92iat 使用注意事项（避坑指南）：
-
只能提取单个数据：
iat只能用于提取单个数据，不能用于提取多行、多列或者进行切片操作。 如果你需要提取多个数据，应该使用loc或者iloc。 -
索引越界： 如果你提供的整数位置超出了DataFrame的范围，
iat会抛出一个IndexError异常。 -
性能优势：
iat的优势在于性能。 当你需要频繁地根据整数位置提取单个数据时，iat的效率会比iloc略高。
总结：四大天王的武功秘籍
为了方便大家记忆，阿豪特意整理了一份四大天王的武功秘籍：
| 大侠 | 索引方式 | 提取数据范围 | 性能 | 适用场景 |
|---|---|---|---|---|
loc |
标签 | 单个/多个/切片 | 较慢 | 根据标签选择数据，灵活性高，常用语根据条件筛选数据。 |
iloc |
整数位置 | 单个/多个/切片 | 较慢 | 根据整数位置选择数据，常用于循环遍历DataFrame。 |
at |
标签 | 单个 | 最快 | 根据标签快速提取单个数据，常用于对性能要求较高的场景。 |
iat |
整数位置 | 单个 | 最快 | 根据整数位置快速提取单个数据，常用于对性能要求较高的场景。 |
选择哪个大侠？
- 如果你知道数据的标签，并且需要灵活地选择数据（单个、多个、切片），那么
loc是你的首选。 - 如果你只知道数据的整数位置，或者需要循环遍历DataFrame，那么
iloc是你的最佳选择。 - 如果你需要频繁地提取单个数据，并且对性能要求较高，那么
at或iat可以帮你提升效率。
记住： 没有最好的大侠，只有最适合你的大侠！
终章：数据寻宝之旅
掌握了索引界四大天王的武功秘籍，你就可以在数据海洋中自由驰骋，精准地找到你想要的宝藏。 但是，武功再高，也需要勤加练习。 多写代码，多踩坑，多总结，你才能真正掌握这些技能，成为数据寻宝的专家！
希望今天的分享对大家有所帮助。 如果大家觉得有用，请点赞、评论、转发，让更多的朋友受益。 我是程序猿阿豪，我们下期再见！ (ง •̀_•́)ง