更新：df.get_value从0.21.0版本起已弃用。使用df.at或df.iat是推荐的方法。
df.at一次只能访问一个值。
df.loc可以选择多个行和/或列。
请注意，还有df.get_value，它在访问单个值时可能更快：

In [25]: %timeit df.loc[('a', 'A'), ('c', 'C')]
10000 loops, best of 3: 187 µs per loop

In [26]: %timeit df.at[('a', 'A'), ('c', 'C')]
100000 loops, best of 3: 8.33 µs per loop

In [35]: %timeit df.get_value(('a', 'A'), ('c', 'C'))
100000 loops, best of 3: 3.62 µs per loop

字符串
在底层，df.at[...]调用df.get_value，但它也对键进行一些类型检查。

当你问到.at的局限性时，我最近遇到了一件事（使用pandas 0.22）。让我们使用the documentation的例子：

df = pd.DataFrame([[0, 2, 3], [0, 4, 1], [10, 20, 30]], index=[4, 5, 6], columns=['A', 'B', 'C'])
df2 = df.copy()

    A   B   C
4   0   2   3
5   0   4   1
6  10  20  30

字符串
如果我现在知道了

df.at[4, 'B'] = 100

型
结果看起来和预期一样

A    B   C
4   0  100   3
5   0    4   1
6  10   20  30

型
然而，当我尝试做

df.at[4, 'C'] = 10.05

型

似乎.at试图保存数据类型（这里：int）：

A    B   C
4   0  100  10
5   0    4   1
6  10   20  30

型
这似乎是.loc的区别：

df2.loc[4, 'C'] = 10.05

型
产生所需的

A   B      C
4   0   2  10.05
5   0   4   1.00
6  10  20  30.00

型
上面例子中的风险在于它悄无声息地发生（从float到int的转换）。当你尝试使用字符串时，它会抛出一个错误：

df.at[5, 'A'] = 'a_string'

型
ValueError：invalid literal for int（）with base 10：'a_string'
但是，如果使用一个字符串int()实际上起作用，如注解中的@n1k31t4所述，它将工作。

df.at[5, 'A'] = '123'

     A   B   C
4    0   2   3
5  123   4   1
6   10  20  30

型

在上面的基础上，at函数的Pandas documentation声明：
访问行/列标签对的单个值。
与loc类似，都提供基于标签的查找。如果只需要获取或设置DataFrame或Series中的单个值，请使用at。
对于设定数据loc和at是相似的，例如：

df = pd.DataFrame({'A': [1,2,3], 'B': [11,22,33]}, index=[0,0,1])

字符串
loc和at将产生相同的结果

df.at[0, 'A'] = [101,102]
df.loc[0, 'A'] = [101,102]

    A   B
0   101 11
0   102 22
1   3   33

df.at[0, 'A'] = 103
df.loc[0, 'A'] = 103

    A   B
0   103 11
0   103 22
1   3   33

型
此外，对于访问单个值，两者是相同的

df.loc[1, 'A']   # returns a single value (<class 'numpy.int64'>)
df.at[1, 'A']    # returns a single value (<class 'numpy.int64'>)

3

型
但是，当匹配多个值时，loc将从DataFrame返回一组行/列，而at将返回一个值数组

df.loc[0, 'A']  # returns a Series (<class 'pandas.core.series.Series'>)

0    103
0    103
Name: A, dtype: int64

df.at[0, 'A']   # returns array of values (<class 'numpy.ndarray'>)

array([103, 103])

型
更重要的是，loc可以用于匹配一组行/列，并且只能给出一个索引，而at必须接收列

df.loc[0]  # returns a DataFrame view (<class 'pandas.core.frame.DataFrame'>)

    A   B
0   103 11
0   103 22

# df.at[0]  # ERROR: must receive column

型

与.loc相比，.at是一种优化的数据访问方法。
Dataframe 的.loc选择由其参数中给定的indexed_rows和labeled_columns定位的所有元素。相反，.at选择位于给定indexed_row和labeled_column的 Dataframe 的特定元素。
此外，.at接受一行和一列作为输入参数，而.loc可以接受多行和多列。使用.at的输出是单个元素，使用.loc的输出可能是Series或DataFrame。

.at的另一个限制是.loc接受其他输入（以换取索引），例如条件，而.at不接受：

> df = pd.DataFrame([[1, 2], 
                   [0, 0],
                   ], 
                   columns=["A", "B"])

> df["A"] > 0 # is a pd.Series of bool values

> df.loc[df["A"] > 0, "B"] # provides the first line in this example

> df.at[df["A"] > 0, "B"] # using .at will raise InvalidIndexError

字符串