[PYTHON] Pandas iloc와 loc의 3가지 결정적 차이와 데이터 추출 오류 해결 방법 7가지

loc vs iloc

파이썬 데이터 분석의 필수 라이브러리인 Pandas(판다스)를 사용할 때, 개발자를 가장 당혹스럽게 만드는 지점은 바로 데이터 선택(Indexing)입니다. 특히 loc와 iloc는 비슷해 보이지만, 작동 원리와 인덱스 참조 방식에서 근본적인 차이를 보입니다. 이를 혼동하면 의도치 않은 데이터 손실이나 'KeyError' 같은 치명적인 런타임 오류를 마주하게 됩니다. 본 포스팅에서는 2026년 실무 표준에 입각하여 loc와 iloc의 내부 작동 메커니즘을 해부하고, 데이터 전처리 과정에서 발생하는 인덱싱 오류를 완벽하게 제어하는 7가지 실전 해결 사례를 제시합니다. 이 글을 통해 데이터의 '위치'와 '이름'을 다루는 전문가의 시각을 갖추게 될 것입니다.

---

1. loc vs iloc: 명칭 기반과 위치 기반의 결정적 차이

가장 큰 차이는 "데이터를 무엇으로 식별하느냐"입니다. loc는 사람이 부여한 '이름(Label)'을 보며, iloc는 컴퓨터가 매긴 '순서(Integer Position)'만을 신뢰합니다. 두 메서드의 성질을 아래 표로 일목요연하게 비교하였습니다.

비교 항목	loc (Label-based)	iloc (Integer-based)	비고
참조 대상	인덱스 및 컬럼의 이름(라벨)	0부터 시작하는 정수 위치	이름 vs 순서의 대립
슬라이싱 범위	시작과 끝을 모두 포함 (Closed)	끝은 포함하지 않음 (Half-open)	가장 흔한 실수 지점
불리언 마스킹	직관적으로 지원함	마스크의 길이가 일치해야 함	필터링 시 loc 권장
비존재 값 접근	KeyError 발생 위험	IndexError 발생 위험	예외 처리 방식 상이
사용 권장 상황	가독성이 중요한 조건 필터링	반복문 내 위치 기반 자동화	실무 의존도 5:5

2. 왜 iloc와 loc를 엄격히 구분하여 해결해야 하는가?

실무에서 데이터프레임을 sort_values()로 정렬하거나 drop()으로 행을 삭제하면 인덱스 번호가 뒤죽박죽이 됩니다. 이때 loc[0]은 '이름이 0인 행'을 찾지만, 정렬 결과에 따라 첫 번째 줄이 아닐 수 있습니다. 반면 iloc[0]은 어떤 상황에서도 물리적인 '첫 번째 줄'을 가져옵니다. 이 메커니즘을 무시하면 머신러닝 학습 데이터의 타겟값이 밀리는 치명적인 사고가 발생할 수 있습니다.

---

3. 실무 데이터 슬라이싱 해결 사례 7가지 (Examples)

현업 데이터 엔지니어링 과정에서 겪는 인덱싱 문제를 깔끔하게 해결하는 파이썬 코드 예제입니다.

Example 1: 정렬된 데이터에서 물리적 최상단 데이터 추출 해결

인덱스 이름과 관계없이 현재 화면에 보이는 첫 번째 행을 안전하게 가져오는 방법입니다.

import pandas as pd

df = pd.DataFrame({'val': [10, 20, 30]}, index=[2, 0, 1])
sorted_df = df.sort_index()

# 인덱스 이름 '0'이 아닌, 물리적 첫 번째(인덱스 0번 위치) 행 해결
top_row = sorted_df.iloc[0] 
print(top_row) # val: 10 (인덱스 라벨은 0이 아닐 수 있음)
        

Example 2: 라벨 슬라이싱 시 마지막 값 포함 문제 해결

loc를 이용해 'Jan'부터 'Mar'까지 데이터를 뽑을 때 리스트 슬라이싱과 다른 동작을 명확히 제어합니다.

sales = pd.DataFrame({'amt': [100, 200, 300]}, index=['Jan', 'Feb', 'Mar'])

# 'Mar'를 포함하여 추출 (loc의 특성 활용 해결)
quarter_data = sales.loc['Jan':'Mar'] 
print(len(quarter_data)) # 결과: 3 (Mar 포함됨)
        

Example 3: 특정 조건 만족하는 행의 특정 컬럼 값 수정 해결

데이터 프레임의 복사본이 아닌 원본 값을 안전하게 수정하는 loc의 표준 사용법입니다.

# 나쁜 예: df[df['age'] > 20]['status'] = 'Adult' (SettingWithCopyWarning 발생)
# 좋은 예: loc를 이용한 원본 접근 해결
df.loc[df['age'] > 20, 'status'] = 'Adult'
        

Example 4: 열(Column)의 위치 번호로 데이터 추출 해결

컬럼 이름을 모르거나 매번 바뀔 때, 위치(순서)를 기준으로 데이터를 슬라이싱하는 방법입니다.

# 모든 행에 대해 0번째부터 2번째 컬럼 전까지 추출 해결
features = df.iloc[:, 0:2]
        

Example 5: 복합 인덱스(Multi-Index) 환경에서의 특정 레벨 접근 해결

복잡한 계층 구조에서 loc를 활용해 특정 그룹 데이터만 깔끔하게 해결하는 예제입니다.

# 'City'와 'Year'로 구성된 멀티인덱스에서 'Seoul' 데이터만 해결
seoul_data = df.loc['Seoul']
        

Example 6: iloc를 활용한 대규모 데이터 랜덤 샘플링 및 분할 해결

머신러닝 학습 시 데이터를 특정 비율로 자를 때 위치 기반 인덱싱을 활용합니다.

split_idx = int(len(df) * 0.8)
train_set = df.iloc[:split_idx] # 80% 위치까지 해결
test_set = df.iloc[split_idx:]  # 나머지 20% 해결
        

Example 7: 사용자 정의 함수(Lambda)와 loc의 결합 필터링 해결

동적인 조건을 함수로 전달하여 더 유연하게 데이터를 추출하는 고급 기법입니다.

# 컬럼 이름에 'score'가 포함된 열 중 값이 90점 이상인 행 해결
high_scores = df.loc[lambda d: d['total_score'] > 90, :]
        

---

4. 결론: 위치와 이름의 조화가 데이터 무결성을 만든다

Pandas의 iloc와 loc는 단순히 취향의 차이가 아닙니다. 데이터의 구조가 변하지 않는 정적인 상황에서는 가독성이 좋은 loc가 유리하지만, 대량의 데이터를 루프 돌리거나 전처리 파이프라인을 자동화할 때는 시스템적인 iloc가 훨씬 강력한 해결책이 됩니다. 2026년의 데이터 분석 환경은 더욱 복잡한 비정형 데이터를 다루게 될 것입니다. 이때 "라벨은 변할 수 있지만, 위치는 변하지 않는다"는 원칙과 "슬라이싱의 끝 포함 여부"라는 두 가지만 명확히 기억해도 인덱싱 오류의 90% 이상을 사전에 방지할 수 있습니다. 오늘 공유한 7가지 실전 사례를 프로젝트에 대입하여 더 견고한 파이썬 코드를 작성해 보시기 바랍니다.

5. 내용의 출처 및 참고 문헌

• Pandas Official Documentation: Indexing and selecting data
• Python Data Science Handbook by Jake VanderPlas
• Real Python: Pandas Loc vs Iloc: What is the Difference?
• Stack Overflow: Pandas Indexing Best Practices 2026