在 VS Code 中开始使用 Data Wrangler

Data Wrangler 是一种以代码为中心的数据查看和清理工具，它集成在 VS Code 和 VS Code Jupyter Notebooks 中。它提供了一个丰富的用户界面来查看和分析您的数据，显示有洞察力的列统计信息和可视化，并在您清理和转换数据时自动生成 Pandas 代码。

以下是从笔记本打开 Data Wrangler，使用内置操作分析和清理数据，然后将自动生成的代码导出回笔记本的示例。

本文档涵盖如何：

• 安装和设置 Data Wrangler
• 从笔记本启动 Data Wrangler
• 从数据文件启动 Data Wrangler
• 使用 Data Wrangler 探索数据
• 使用 Data Wrangler 对数据执行操作和清理
• 编辑数据整理代码并将其导出到笔记本
• 故障排除和提供反馈

设置环境

1. 如果您尚未安装，请安装 Python。**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。Data Wrangler 需要这些依赖项才能生成 Python 和 Pandas 代码。

打开 Data Wrangler

无论何时使用 Data Wrangler，您都处于*沙盒*环境中，这意味着您可以安全地探索和转换数据。原始数据集在您明确导出更改之前不会被修改。

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，在任何支持的数据对象旁边，您都可以看到一个启动 Data Wrangler 的按钮。
2. 如果您的笔记本中有一个 Pandas 数据帧，运行输出数据帧的代码后（包括 1) df.head()、2) df.tail()、3) display(df)、4) print(df)、5) df），您现在可以在单元格底部看到一个 **在 Data Wrangler 中打开“df”** 按钮（其中“df”是您的数据帧的变量名）。
3. 在笔记本工具栏中，选择 **查看数据** 会显示笔记本中每个受支持数据对象的列表。然后，您可以选择列表中要在 Data Wrangler 中打开的变量。

直接从文件启动 Data Wrangler

您也可以直接从本地文件（例如 .csv）启动 Data Wrangler。为此，请在 VS Code 中打开包含您要打开的文件的任何文件夹。在文件资源管理器视图中，右键单击该文件并选择 **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

Data Wrangler 在处理数据时有两种模式。每种模式的详细信息将在下面的后续部分中解释。

1. **查看模式：** 查看模式优化了界面，以便您快速查看、筛选和排序数据。此模式非常适合对数据集进行初步探索。
2. **编辑模式：** 编辑模式优化了界面，以便您对数据集应用转换、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，并且可以将其导出回您的笔记本以供重用。

注意：默认情况下，Data Wrangler 以查看模式打开。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** 面板显示您的整个数据集或特定列（如果已选择）的详细摘要统计信息。

2. 您可以从列的标题菜单中对列应用任何 **数据筛选/排序**。

3. 在 Data Wrangler 的 **查看** 或 **编辑** 模式之间切换，以访问内置数据操作。

4. **快速洞察** 标题可让您快速查看有关每列的重要信息。根据列的数据类型，快速洞察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** 提供了一个可滚动窗格，您可以在其中查看整个数据集。

编辑模式界面

切换到编辑模式会在 Data Wrangler 中启用额外的功能和用户界面元素。在以下屏幕截图中，我们使用 Data Wrangler 将最后一列中的缺失值替换为该列的中位数。

1. **操作** 面板可让您搜索 Data Wrangler 的所有内置数据操作。操作按类别组织。

2. **清理步骤** 面板显示了所有先前已应用的操作列表。它使用户能够撤消特定操作或编辑*最新*操作。选择一个步骤将在数据差异视图中突出显示更改，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。

4. 当您选择了一个操作并预览其对数据的影响时，网格会叠加显示您对数据所做更改的 **数据差异** 视图。

5. **代码预览** 部分显示了在选择操作时 Data Wrangler 生成的 Python 和 Pandas 代码。未选择操作时，此部分为空。

Data Wrangler 操作

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。

可以从 **操作** 面板中选择内置的 Data Wrangler 操作。

如果缺少某个操作并且您希望 Data Wrangler 支持它，请在我们的 Data Wrangler GitHub 仓库中提交功能请求。

修改上一步骤

生成代码的每个步骤都可以通过 **清理步骤** 面板进行修改。首先，选择您要修改的步骤。然后，当您对操作进行更改（无论是通过代码还是操作面板）时，您的更改对数据的影响将在网格视图中突出显示。

编辑并导出代码

在 Data Wrangler 中完成数据清理步骤后，有三种方法可以从 Data Wrangler 导出清理后的数据集。

1. **将代码导出回笔记本并退出：** 这会在您的 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，并将其打包成一个 Python 函数。
2. **将数据导出到文件：** 这会将清理后的数据集保存为新的 CSV 或 Parquet 文件到您的机器上。
3. **将代码复制到剪贴板：** 这会复制 Data Wrangler 为数据清理操作生成的所有代码。

搜索列

要在数据集中查找特定列，请从 Data Wrangler 工具栏中选择 **转到列** 并搜索相应的列。

故障排除

一般内核连接问题

对于一般连接问题，请参阅上面“连接到 Python 内核”部分，了解其他连接方法。要调试与本地 Python 解释器选项相关的问题，一种可能的解决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，您可能需要安装预发布版本（反之亦然）。

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

打开数据文件时出现 UnicodeDecodeError

如果您在直接从 Data Wrangler 打开数据文件时遇到 UnicodeDecodeError，则这可能是由两个可能的问题引起的：

1. 您尝试打开的文件编码不是 UTF-8
2. 文件已损坏。

要解决此错误，您需要从 Jupyter Notebook 打开 Data Wrangler，而不是直接从数据文件打开。使用 Jupyter Notebook 读取文件，例如使用 Pandas 的 read_csv 方法。在 read 方法中，使用 encoding 和/或 encoding_errors 参数定义要使用的编码或如何处理编码错误。如果您不知道哪种编码可能适用于此文件，您可以尝试使用 chardet 等库来推断可用的编码。

问题和反馈

如果您遇到问题、有功能请求或任何其他反馈，请在我们的 GitHub 仓库提交问题：https://github.com/microsoft/vscode-data-wrangler/issues/new/choose

数据和遥测

适用于 Visual Studio Code 的 Microsoft Data Wrangler 扩展收集使用数据并将其发送给 Microsoft，以帮助改进我们的产品和服务。阅读我们的隐私声明了解更多信息。此扩展遵守 telemetry.telemetryLevel 设置，您可以在 https://vscode.js.cn/docs/configure/telemetry 上了解更多信息。