iloc[]和loc[]是Pandas中用于数据索引/切片的核心方法，核心区别在于索引依据不同：iloc基于“整数位置”，loc基于“标签（行索引名/列名）”。以下分点对比并结合实例说明：
一、区别对比
| 维度 | iloc[]（integer location） | loc[]（label location） |
|---|---|---|
| 索引依据 | 行/列的整数位置（从0开始计数） | 行的索引名、列的列名（标签） |
| 切片规则 | 左闭右开（如0:2仅包含位置0、1） | 包含终点（如'a':'c'包含标签a、b、c） |
| 支持的索引类型 | 整数、整数列表、整数切片、布尔数组 | 标签、标签列表、标签切片、布尔数组 |
| 适用场景 | 按数据的“物理顺序”取数（不管行/列标签） | 按数据的“逻辑标签”取数（依赖行/列的命名） |
注：Pandas 的 “列标签” 和 “行标签” 分别对应 DataFrame.columns 和 DataFrame.index。而机器学习中的 “样本标签”是指样本的目标值（label / 目标变量），二者不同。
注：iloc和loc都支持可调用对象（callable）（比如df.loc[lambda df: df[‘列名’]>0]）
二、实例演示（构造带自定义标签的DataFrame）
先创建一个行索引为自定义标签的DataFrame（避免默认整数索引，更易体现区别）：
import pandas as pd
data = pd.DataFrame(
data={'数学': [90, 85, 78], '英语': [88, 92, 75]},
index=['张三', '李四', '王五'] # 行标签（非默认整数）
)
print("原始DataFrame：")
print(data)
输出：
数学 英语
张三 90 88
李四 85 92
王五 78 75
1. iloc取单行/loc取单列
- iloc（按整数位置）：行位置0对应“张三”，列位置0对应“数学”
data.iloc[0] # 取第1行（位置0） # 输出： # 数学 90 # 英语 88 # Name: 张三, dtype: int64
loc（按标签）：直接用行标签“张三”、列名“数学”data.loc['张三'] # 取标签为“张三”的行 # 输出同iloc[0]
2. iloc取多行/loc取多列（切片）
iloc（左闭右开）：0:2仅包含位置0、1（对应“张三”“李四”）data.iloc[0:2] # 取位置0到2（不含2）的行 # 输出： # 数学 英语 # 张三 90 88 # 李四 85 92
loc（包含终点）：'张三':'王五'包含所有标签在“张三”到“王五”之间的行data.loc['张三':'王五'] # 取标签从“张三”到“王五”的行（含王五） # 输出： # 数学 英语 # 张三 90 88 # 李四 85 92 # 王五 78 75
3. 取特定行+列（二维索引）
iloc（行位置+列位置）：行位置1（李四）、列位置1（英语）data.iloc[1, 1] # 取第2行（位置1）、第2列（位置1）的值 # 输出：92
loc（行标签+列名）：行标签“李四”、列名“英语”data.loc['李四', '英语'] # 取“李四”行、“英语”列的值 # 输出：92
4. 布尔索引（按条件取数）
两者都支持布尔数组，但loc更常用（直接关联标签）：
# 条件：数学分数>80 mask = data['数学'] > 80 # iloc：先获取满足条件的行位置，再取数 data.iloc[mask.values] # mask.values是布尔数组，对应行位置 # 输出： # 数学 英语 # 张三 90 88 # 李四 85 92 # loc：直接用布尔数组取数（更直观） data.loc[mask] # 输出同iloc
三、注意点
- 若DataFrame用默认整数行索引（如0、1、2），
iloc[0]和loc[0]结果可能相同，但逻辑本质不同：iloc[0]是“取位置0”，loc[0]是“取标签为0的行”； iloc的切片不包含终点（如0:3取0、1、2），loc的切片包含终点（如0:3取标签0、1、2、3），这是最易踩坑的差异；- 实际场景中：
- 若需要按“数据的物理顺序”取数（如“前5行”），用
iloc； - 若需要按“行/列的命名”取数（如“取‘张三’的成绩”），用
loc。
- 若需要按“数据的物理顺序”取数（如“前5行”），用
测试：看你是否能读懂这句程序：
numerical_df.loc[numerical_df['A'] < numerical_df['B'], 'A'] = 100
