在 VS Code 中开始使用 Data Wrangler

Data Wrangler 是一个以代码为中心的数据查看和清理工具，它集成到 VS Code 和 VS Code Jupyter Notebook 中。它提供了一个丰富的用户界面来查看和分析您的数据，显示有见地的列统计信息和可视化效果，并在您清理和转换数据时自动生成 Pandas 代码。

以下是从 Notebook 打开 Data Wrangler 以使用内置操作分析和清理数据的示例。然后将自动生成的代码导出回 Notebook。

本文档介绍如何

• 安装和设置 Data Wrangler
• 从 Notebook 启动 Data Wrangler
• 从数据文件启动 Data Wrangler
• 使用 Data Wrangler 探索您的数据
• 使用 Data Wrangler 对您的数据执行操作和清理
• 编辑并将数据整理代码导出到 Notebook
• 故障排除和提供反馈

设置您的环境

1. 如果您尚未安装 Python，请安装。重要提示：Data Wrangler 仅支持 Python 3.8 或更高版本。
2. 安装 Visual Studio Code。
3. 安装 Data Wrangler 扩展

首次启动 Data Wrangler 时，它会询问您要连接到哪个 Python 内核。它还会检查您的机器和环境，以查看是否安装了所需的 Python 包，例如 Pandas。

以下是 Python 和 Python 包的所需版本列表，以及它们是否由 Data Wrangler 自动安装

如果在您的环境中找不到这些依赖项，Data Wrangler 将尝试使用 pip 为您安装它们。如果 Data Wrangler 无法安装依赖项，最简单的解决方法是手动运行 pip install，然后再次启动 Data Wrangler。这些依赖项是 Data Wrangler 所必需的，以便它可以生成 Python 和 Pandas 代码。

打开 Data Wrangler

任何时候您在 Data Wrangler 中，您都处于一个沙盒环境中，这意味着您可以安全地探索和转换数据。在您明确导出更改之前，不会修改原始数据集。

从 Jupyter Notebook 启动 Data Wrangler

有三种方法可以从 Jupyter Notebook 启动 Data Wrangler

1. 在 Jupyter > 变量 面板中，在任何受支持的数据对象旁边，您都可以看到一个用于启动 Data Wrangler 的按钮。
2. 如果您的 Notebook 中有一个 Pandas 数据帧，您现在可以在运行输出数据帧的代码后，在单元格底部看到一个 在 Data Wrangler 中打开“df” 按钮（其中“df”是数据帧的变量名）。这包括 1) df.head()、2) df.tail()、3) display(df)、4) print(df)、5) df。
3. 在 Notebook 工具栏中，选择 查看数据 会弹出一个 Notebook 中每个受支持的数据对象列表。然后，您可以选择要使用 Data Wrangler 打开的列表中的哪个变量。

直接从文件启动 Data Wrangler

您还可以直接从本地文件（例如 .csv）启动 Data Wrangler。为此，请在 VS Code 中打开任何包含您要打开的文件的文件夹。在文件资源管理器视图中，右键单击该文件，然后单击 在 Data Wrangler 中打开。

Data Wrangler 当前支持以下文件类型

• .csv/.tsv
• .xls/.xlsx
• .parquet

根据文件类型，您可以指定文件的分隔符和/或工作表。

您还可以将这些文件类型设置为默认使用 Data Wrangler 打开。

UI 导览

使用数据时，Data Wrangler 有两种模式。以下各节将介绍每种模式的详细信息。

1. 查看模式：查看模式优化了界面，使您可以快速查看、筛选和排序数据。此模式非常适合对数据集进行初始探索。
2. 编辑模式：编辑模式优化了界面，使您可以对数据集应用转换、清理或修改。当您在界面中应用这些转换时，Data Wrangler 会自动生成相关的 Pandas 代码，并且可以将该代码导出回您的 Notebook 以供重用。

注意：默认情况下，Data Wrangler 在查看模式下打开。您可以在“设置”编辑器中更改此行为 。

查看模式界面

1. 数据摘要面板显示整体数据集或特定列的详细摘要统计信息（如果已选择一个）。

2. 您可以从列的标题菜单对列应用任何数据筛选器/排序。

3. 在 Data Wrangler 的查看或编辑模式之间切换以访问内置的数据操作。

4. 快速见解标题是您可以快速查看有关每列的宝贵信息的地方。根据列的数据类型，快速见解会显示数据的分布或数据点的频率，以及缺失值和唯一值。

5. 数据网格为您提供一个可滚动的窗格，您可以在其中查看整个数据集。

编辑模式界面

切换到编辑模式后，数据整理器中将启用其他功能和用户界面元素。在下面的屏幕截图中，我们使用数据整理器将最后一列中的缺失值替换为该列的中位数。

1. 操作面板是您可以搜索数据整理器所有内置数据操作的地方。这些操作按类别组织。

2. 清理步骤面板显示之前应用的所有操作的列表。它允许用户撤消特定操作或编辑最近的操作。选择一个步骤会高亮显示数据差异视图中的更改，并显示与该操作关联的生成代码。

3. 导出菜单允许您将代码导出回 Jupyter Notebook 或将数据导出到新文件中。

4. 当您选择一个操作并预览其对数据的影响时，网格上会叠加一个显示您对数据所做更改的数据差异视图。

5. 代码预览部分显示当选择一个操作时，数据整理器生成的 Python 和 Pandas 代码。当未选择任何操作时，它将保持为空。您可以编辑生成的代码，这将导致数据网格突出显示对数据的影响。

Data Wrangler 操作

内置的数据整理器操作可以从操作面板中选择。

下表列出了数据整理器初始版本中当前支持的数据整理器操作。我们计划在不久的将来添加更多操作。

如果缺少您希望在数据整理器中看到支持的操作，请在我们的数据整理器 GitHub 存储库中提交功能请求。

修改之前的步骤

可以通过清理步骤面板修改生成代码的每个步骤。首先，选择要修改的步骤。然后，当您对操作进行更改时（通过代码或操作面板），您的更改对数据的影响会在网格视图中突出显示。

编辑和导出代码

在数据整理器中完成数据清理步骤后，有三种方法可以从数据整理器中导出清理后的数据集。

1. 将代码导出回 Notebook 并退出： 这将在您的 Jupyter Notebook 中创建一个新单元格，其中包含您生成的所有数据清理代码，并将其打包到一个 Python 函数中。
2. 将数据导出到文件： 这会将清理后的数据集作为新的 CSV 或 Parquet 文件保存到您的计算机上。
3. 将代码复制到剪贴板： 这将复制数据整理器为数据清理操作生成的所有代码。

搜索列

要查找数据集中的特定列，请从数据整理器工具栏中选择转到列，然后搜索相应的列。

故障排除

常规内核连接问题

对于常规连接问题，请参阅上面“连接到 Python 内核”部分中有关连接的替代方法。要调试与本地 Python 解释器选项相关的问题，一种可能的修复方法是安装不同版本的 Jupyter 和 Python 扩展。例如，如果安装了稳定版本的扩展，您可以安装预发行版本（反之亦然）。

要清除已缓存的内核，您可以从命令面板中运行 Data Wrangler: Clear cached runtime 命令 ⇧⌘P（Windows，Linux Ctrl+Shift+P）。

打开数据文件时出现 UnicodeDecodeError

如果您直接从数据整理器打开数据文件时遇到 UnicodeDecodeError，则可能是由以下两个问题引起的

1. 您尝试打开的文件具有 UTF-8 以外的编码
2. 文件已损坏。

要解决此错误，您需要从 Jupyter Notebook 而不是直接从数据文件打开数据整理器。使用 Jupyter Notebook 使用 Pandas 读取文件，例如使用 read_csv 方法。在 read 方法中，使用 encoding 和/或 encoding_errors 参数来定义要使用的编码或如何处理编码错误。如果您不知道哪个编码可能适用于此文件，您可以尝试使用 chardet 等库来尝试推断有效的编码。

问题和反馈

如果您有任何问题、功能请求或任何其他反馈，请在我们的 GitHub 存储库上提交问题：https://github.com/microsoft/vscode-data-wrangler/issues/new/choose

数据和遥测

用于 Visual Studio Code 的 Microsoft 数据整理器扩展会收集使用情况数据并将其发送给 Microsoft，以帮助改进我们的产品和服务。请阅读我们的隐私声明以了解更多信息。此扩展遵循 telemetry.telemetryLevel 设置，您可以在 https://vscode.js.cn/docs/getstarted/telemetry 中了解更多信息。