df[x]、df[[x]]、df['x']、df[['x']]与df.x的区别及使用场景问询

嘿，我来帮你把这几个容易搞混的写法掰扯清楚——刚入坑Pandas的时候我也被这些括号绕得头大，摸清楚规律之后就轻松多了！

一、先搞清楚哪些写法是等价的？ #

• df['x'] 和 df.x 是等价的——前提是列名x是合法的Python标识符：比如不能有空格、不能是def/class这类关键字、不能以数字开头。要是列名是'user score'或者'1st_col'，那df.x就用不了，只能老老实实写df['x']。另外，如果x是个存储列名的变量（比如x = 'age'），那df[x]和df['age']也是等价的。
• 注意：df[x]里的x如果是字符串字面量（比如直接写df['name']），和df['name']完全一样；但如果x是变量，就必须用df[x]，不能直接写df['x']（不然会去取列名叫'x'的列，而不是变量x对应的列）。

二、核心区别：返回的是 Series 还是 DataFrame？ #

这是最关键的点，直接决定了后续能做什么操作：

• 单括号写法（df[x]、df['x']、df.x）：返回的是 Series——这是Pandas里的一维数据结构，类似带索引的数组，只有一列数据和对应的索引。
• 双括号写法（df[[x]]、df[['x']]）：返回的是 DataFrame——哪怕只取一列，也是二维的表格结构，有行索引和列名。

举个直观的例子：

import pandas as pd
df = pd.DataFrame({'name': ['Alice', 'Bob'], 'age': [25, 30]})

# 单括号返回Series
print(df['name'])
# 输出：
# 0    Alice
# 1      Bob
# Name: name, dtype: object

# 双括号返回DataFrame
print(df[['name']])
# 输出：
#     name
# 0  Alice
# 1    Bob

三、Series 和 DataFrame 的适用场景，该选哪种？ #

选 Series（单括号）的情况： #

• 当你只需要处理单一列的数据时：比如计算这列的统计值（均值、中位数、求和）、绘制单变量图表（直方图、折线图）、做元素级的运算（比如给所有年龄加5）。Series更轻量，操作起来更直接。
  比如：df['age'].mean() 直接算出年龄的平均值，一步到位。
• 当你需要把这列数据当成一维数组来用的时候：比如传入NumPy的函数，或者做简单的逻辑判断（df['age'] > 25会返回布尔型的Series，用来做行筛选）。

选 DataFrame（双括号）的情况： #

• 当你需要处理多列数据时：比如同时取name和age两列，df[['name', 'age']]返回的就是包含这两列的DataFrame。
• 当你需要保持表格结构的时候：比如后续要给结果添加新列、和其他DataFrame合并、做透视表（pivot_table）这类操作，必须用DataFrame——Series没法直接做这些。
• 当你不确定返回结果是一列还是多列时：用双括号可以确保结果始终是DataFrame，避免后续代码报错（比如写了一个通用函数，输入可能是单列或多列，用df[[cols]]就能统一返回结构）。

一些额外的注意点 #

• df[x]还有个灵活的用法：它不仅能取列，还能做行筛选（比如df[df['age'] > 25]）、行切片（比如df[0:2]取前两行），但要注意如果x是整数，容易和行操作搞混——比如df[0]如果没有列名叫0的话会报错，而df[0:1]是取第一行，这点要留意。
• df.x虽然写起来省事，但坑不少：如果列名和Pandas的内置方法重名（比如列名叫'sum'），那df.sum会调用DataFrame的求和方法，而不是取这列；遇到特殊列名（带空格、特殊符号）也用不了，所以保险起见，我个人更常用df['x']。

内容的提问来源于stack exchange，提问作者user8834780