在 Pandas 中，MultiIndex 将行标签拆分成多个层级，这让基于标签的取值逻辑出现了分支。df.at 和 df.loc 虽然都支持通过行、列标签定位数据，但在 MultiIndex 下它们对行标签的要求并不完全相同。df.at 更强调标量级别的精确访问，而 df.loc 则提供了更丰富的索引表达能力。本文通过一个包含两层行索引的 DataFrame 对比两者的行为。
一、完整行标签访问的区别
先构造一个简单的 MultiIndex DataFrame：
import pandas as pd
index = pd.MultiIndex.from_tuples(
[('A', 1), ('A', 2), ('B', 1), ('B', 2)],
names=['group', 'sub']
)
df = pd.DataFrame(
{'value': [10, 20, 30, 40], 'score': [1.1, 2.2, 3.3, 4.4]},
index=index
)
print(df)
当使用完整行标签 ('A', 1) 时，df.at[('A', 1), 'value'] 和 df.loc[('A', 1), 'value'] 都会返回标量 10。从结果看，两者在完整标签访问上非常接近。
但底层机制不同。df.at 经过优化，只接受标量行标签和标量列标签，它会直接定位到内存中的对应位置。df.loc 则走通用索引器，可以解析更复杂的索引表达式。因此，在只需读取或写入单个元素时，df.at 通常比 df.loc 更快，尤其是在大 DataFrame 上循环访问时。
df.at 的严格性也体现在列参数上：df.at 必须同时给出行标签和列标签，不能只传一个参数获取整行。而 df.loc 可以只给行标签，返回 Series 或 DataFrame。例如 df.loc[('A', 1)] 会返回该行的两个列值。
二、部分索引与切片支持的差异
MultiIndex 的一个常见操作是按第一层索引筛选。df.loc 可以直接使用第一层标签 df.loc['A']，返回 group 为 A 的所有行，结果是一个 DataFrame。这是因为 df.loc 允许部分索引，未指定的层级会自动匹配所有值。
df.at 不支持部分索引。如果尝试执行 df.at['A']，会抛出 KeyError 或 ValueError，因为 df.at 要求提供的行标签必须完整覆盖所有索引层级。同样，在 MultiIndex 中使用切片，df.loc 可以写成 df.loc[('A', slice(None)), 'value']，返回 sub 为 1 和 2 的 value 列 Series；而 df.at 无法处理 slice(None)，它会将切片对象视为非法标签。
这种差异的原因在于，df.loc 调用了通用的 _LocIndexer，内部会将元组拆解到各个索引层级，并支持切片、列表、布尔数组等。df.at 则基于 _AtIndexer，只实现了最简单的标量索引路径，跳过了解析和维度判断逻辑。因此，对于需要部分索引或多维切片的场景，应使用 df.loc。
更复杂的是，当 MultiIndex 未排序时，df.loc 进行部分索引可能触发 PerformanceWarning，或者在某些版本中直接报 KeyError，而 df.at 对完整元组标签通常不受排序影响，因为它只做点查找。不过，如果完整标签存在，df.loc 也能正常工作，只是部分索引依赖索引排序。
三、返回类型与写入行为
df.at 的返回类型非常单一：永远是标量。无论选择的行列对应的是整数、浮点数还是字符串，只要标签有效，df.at 都返回单个 Python 对象。这种确定性让它特别适合在循环中读取或写入单元格，例如逐行更新某个指标。
# 使用 df.at 更新单个值
df.at[('A', 1), 'value'] = 99
print(df.loc[('A', 1), 'value']) # 99
df.loc 的返回类型取决于索引表达式。如果行和列都精确到标量，则返回标量；如果只指定行，则返回 Series；如果行使用列表或切片，则返回 DataFrame。这种灵活性在批量操作中很有用，但在期望标量的地方可能引入类型不一致，比如将 df.loc[('A', 1)] 直接参与数学运算时，返回的是 Series，可能造成广播行为与预期不符。
在写入方面，df.at 执行的是单元素赋值，而 df.loc 可以一次修改多个元素。例如 df.loc['A', 'value'] = 0 会把 A 组所有行的 value 列置零。df.at 无法完成这种批量赋值，因为它不接受部分索引。因此，写入行为进一步体现了 df.at 的标量定位特性和 df.loc 的批量操作能力。
四、异常表现与选择建议
缺失标签下，两者的异常类型并不相同。df.at 通常会抛出 KeyError，提示标签不存在；df.loc 在精确行标签缺失时也抛 KeyError，但如果是部分索引，可能会返回空 DataFrame 或引发 KeyError，具体取决于索引结构和 Pandas 版本。需要特别小心的是，如果 MultiIndex 中包含重复标签，两者的行为会变得更加复杂，最好先通过 is_unique 检查索引唯一性。
一个常见的误区是以为 df.at 比 df.loc 只是语法缩写，在 MultiIndex 下可以互换。事实上，当需要按外层标签筛选或切片时，df.at 完全不适用。相反，当循环中只涉及完整行标签和列标签的单元格操作，df.at 能减少解析开销，并且代码意图更明确。
总结来说，选择规则可以简化为：需要单点读写时优先考虑 df.at；需要部分索引、切片、列表或布尔筛选，或者期望返回 DataFrame/Series 时，必须使用 df.loc。理解这两个访问器在 MultiIndex 下的解析差异，可以避免很多不必要的 KeyError 和数据类型困惑。
另外，如果计划对 MultiIndex 进行高频部分索引，建议先使用 sort_index() 对索引排序。虽然 df.at 不依赖排序，但 df.loc 的部分索引在排序后更稳定，也能减少性能警告。测试代码中可以用 df_sorted = df.sort_index() 来观察行为变化。
Pandas MultiIndexdf.atdf.loc修改时间：2026-09-24 08:50:03