过滤DataFrame时，使用loc或iloc是否存在适用场景？

你的理解不完全准确，过滤DataFrame时，仍存在需要明确选择loc或iloc的场景，具体拆解如下：

• loc的不可替代性场景
  df[df.B == 9]确实是df.loc[df.B == 9]的语法糖，但仅适用于仅过滤行且返回整行数据的简单场景。当需要同时筛选行和列时，df[]无法实现，必须使用loc：
  比如要筛选B列等于9的行，同时只保留A、C两列，只能写：

  df.loc[df.B == 9, ['A', 'C']]
  

  此外，loc的语义更清晰——明确基于标签操作，在复杂业务逻辑的代码中使用，能大幅提升可读性，避免df[]同时支持列名、行布尔索引带来的歧义。

• iloc的专属场景
  iloc是基于位置索引的操作，当过滤逻辑依赖行/列的位置序号时，必须使用iloc，无法用df[]或loc替代：
  比如筛选前10行中位置为偶数的行：

  df.iloc[range(0, 10, 2)]
  

  再比如需要根据布尔数组的位置进行过滤（而非标签），也可以用iloc配合numpy数组实现：

  mask = df.B == 9
  df.iloc[mask.to_numpy()]
  

• 总结
  简单行过滤场景下，df[]和loc效果一致，但涉及行列同时筛选、基于位置的过滤时，必须明确选择loc或iloc。从代码可读性和规范性角度，推荐优先使用loc处理标签类过滤，iloc处理位置类过滤，减少歧义。

内容的提问来源于stack exchange，提问作者variable