df['col']是安全、通用、推荐的列访问方式；df.col是有严格限制的属性访问机制，仅当列名符合Python标识符规则且不与内置属性冲突时才生效，否则静默失败或报错。
df['col'] 和 df.col 看似一样，其实根本不是一回事
直接说结论：
是安全、通用、推荐的列访问方式；
是有严格限制的“快捷写法”，不是语法糖，而是属性访问机制，用错会静默失败或报错。
为什么 df.col 会突然不工作？常见错误现象
你写了
却得到
—— 这不是 bug，是预期行为。因为：
实际上是在尝试访问 DataFrame 的 Python 属性（类似调用
或
），它只在列名满足 Python 标识符规则时才“碰巧”生效
列名含空格（如
）、数字开头（如
）、特殊符号（如
）或与内置方法同名（如
、
、
）时，
必然失效
即使列名合法（如
），若 DataFrame 已存在同名方法（比如你手动加了
），也会被覆盖或冲突
df['col'] 能干啥，df.col 不能干？实操建议
是 Pandas 显式索引协议的一部分，稳定、可预测、无歧义；
只是它的“弱替代”，且不可逆向操作：
✅ 合法：支持创建/赋值新列
❌ 不合法：Pandas 会发出
，且赋值无效（数据不会写入 DataFrame）
✅ 合法：返回 DataFrame；而
❌ 语法错误，无法链式取多列
列名是变量时，只能用
（
），
完全无法动态解析
性能和兼容性：别为省两个字符冒险
有人觉得
“更快”——实际测试中差异可忽略（纳秒级），但代价是：
代码脆弱：列名一改，所有
处都得重查、重改，IDE 也无法可靠跳转或补全
协作风险：队友可能误以为这是“标准写法”，后续加列名含空格的 CSV 就直接崩
Pandas 官方文档明确标注：属性访问仅用于“便捷读取已知合法列名”，不用于生产逻辑
真正容易被忽略的是：当你用
读取一列，得到的是
；但如果你误以为它和
完全等价，后续做
或布尔索引时，可能因索引对齐问题引入隐式错误——因为属性访问绕过了 Pandas 的索引一致性检查机制。
df['col']df.coldf.nameAttributeError: 'DataFrame' object has no attribute 'name'df.coldf.shapedf.index'user id''3rd_visit''price($)' 'items''T''dt'df.col'age'df.age = ...df['col']df.coldf['new_col'] = [...] df.new_col = [...] UserWarningdf[['col1', 'col2']] df.col1.col2df[col_name]col_name = 'sales_q1'df.col_namedf.coldf.coldf.colpd.Seriesdf['col'].loc