🚀 在 VS Code 中

Data Wrangler 在 VS Code 中的入门指南

Data Wrangler 是一款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 Notebooks 中。它提供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,使用内置操作分析和清理数据的示例。然后,自动生成的代码将导出回 Notebook。

a gif of opening Data Wrangler from a notebook, looking through the data, switching from Viewing to Editing mode, applying data transformations, and exporting the generated Python code back into the notebook

本文档涵盖如何:

  • 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 对数据执行操作和清理
  • 编辑数据整理代码并将其导出到 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,请立即安装。 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 Kernel。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 Data Wrangler 是否会自动安装它们

名称 最低所需版本 自动安装
Python 3.8
pandas 0.25.2

如果在您的环境中未找到这些依赖项,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

任何时候您在使用 Data Wrangler 时,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。在您显式导出更改之前,原始数据集不会被修改。

从 Jupyter Notebook 启动 Data Wrangler

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

a screenshot showing the entry point into Data Wrangler from a notebook

  1. 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' 是您的数据帧的变量名)。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 会弹出一个列表中,其中包含 Notebook 中的每个受支持的数据对象。然后,您可以选择要 Data Wrangler 中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,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

a screenshot showing the entry point into Data Wrangler from a file

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。

a screenshot showing the parameters you can set in Data Wrangler when opening directly from a file

您还可以设置这些文件类型默认使用 Data Wrangler 打开。

UI 导览

Data Wrangler 在处理数据时有两种模式。以下各节将详细介绍每种模式。

  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,并且可以将其导出回您的 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

a screenshot of the setting in Visual Studio Code for setting the default mode of Data Wrangler

查看模式界面

a screenshot showing the different components in the UI for Data Wrangler in Viewing mode

  1. 数据摘要面板显示您的整体数据集或特定列(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器/排序

  3. 在 Data Wrangler 的查看编辑模式之间切换以访问内置数据操作。

  4. 快速洞察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

切换到编辑模式会在 Data Wrangler 中启用其他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。

a screenshot showing the different components in the UI for Data Wrangler in Editing mode

  1. 操作面板是您可以在其中搜索 Data Wrangler 的所有内置数据操作的地方。操作按类别组织。

  2. 清理步骤面板显示先前应用的所有操作的列表。它使用户可以撤消特定操作或编辑最近的操作。选择一个步骤将突出显示数据差异视图中的更改,并显示与该操作关联的生成的代码。

  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,网格会覆盖一个数据差异视图,显示您对数据所做的更改。

  5. 代码预览部分显示在选择操作时 Data Wrangler 生成的 Python 和 Pandas 代码。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 Data Wrangler 操作可以从操作面板中选择。

a screenshot of the Data Wrangler Operations panel

下表列出了 Data Wrangler 初始版本中当前支持的 Data Wrangler 操作。我们计划在不久的将来添加更多操作。

操作 描述
排序 按升序或降序对列进行排序
筛选 根据一个或多个条件筛选行
计算文本长度 创建新列,其值等于文本列中每个字符串值的长度
独热编码 将分类数据拆分为每个类别的新列
多标签二值化器 使用分隔符将分类数据拆分为每个类别的新列
从公式创建列 使用自定义 Python 公式创建列
更改列类型 更改列的数据类型
删除列 删除一个或多个列
选择列 选择一个或多个要保留的列,并删除其余列
重命名列 重命名一个或多个列
克隆列 创建一个或多个列的副本
删除缺失值 删除包含缺失值的行
删除重复行 删除在一个或多个列中具有重复值的所有行
填充缺失值 用新值替换包含缺失值的单元格
查找和替换 用匹配的模式替换单元格
按列分组和聚合 按列分组和聚合结果
去除空格 删除文本开头和结尾的空格
拆分文本 根据用户定义的分隔符将列拆分为多个列
首字母大写 将首字母转换为大写,其余转换为小写
将文本转换为小写 将文本转换为小写
将文本转换为大写 将文本转换为大写
按示例进行字符串转换 当从您提供的示例中检测到模式时,自动执行字符串转换
按示例进行 DateTime 格式化 当从您提供的示例中检测到模式时,自动执行 DateTime 格式化
按示例创建新列 当从您提供的示例中检测到模式时,自动创建列。
缩放最小值/最大值 在最小值和最大值之间缩放数值列
四舍五入 将数字四舍五入到指定的小数位数
向下舍入(向下取整) 将数字向下舍入到最接近的整数
向上舍入(向上取整) 将数字向上舍入到最接近的整数
自定义操作 根据示例和现有列的派生自动创建新列

如果缺少某个您希望在 Data Wrangler 中看到支持的操作,请在我们的 Data Wrangler 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的代码的每个步骤。首先,选择您要修改的步骤。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将在网格视图中突出显示。

a screenshot showing how to modify previous steps

编辑和导出代码

完成 Data Wrangler 中的数据清理步骤后,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 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另存为机器上的新 CSV 或 Parquet 文件。
  3. 将代码复制到剪贴板: 这会将 Data Wrangler 为数据清理操作生成的所有代码复制到剪贴板。

a screenshot of the export menu in Data Wrangler

搜索列

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

a screenshot of the search for columns feature

故障排除

常规 Kernel 连接问题

对于常规连接问题,请参阅上面“连接到 Python Kernel”部分,了解连接的替代方法。要调试与本地 Python 解释器选项相关的问题,一种可能的解决方法是安装不同版本的 Jupyter 和 Python 扩展。例如,如果安装了扩展的稳定版本,您可以安装预发布版本(反之亦然)。

要清除已缓存的 Kernel,您可以从命令面板运行 Data Wrangler: 清除缓存的运行时 命令 ⇧⌘P (Windows, Linux Ctrl+Shift+P)

打开数据文件时出现 UnicodeDecodeError

如果您直接从 Data Wrangler 打开数据文件时遇到 UnicodeDecodeError,则可能是由以下两个可能的问题引起的:

  1. 您尝试打开的文件的编码不是 UTF-8
  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 Data Wrangler。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。如果您不知道哪种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 Issue:https://github.com/microsoft/vscode-data-wrangler/issues/new/choose

数据和遥测

Microsoft Visual Studio Code 的 Data Wrangler 扩展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。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 了解更多信息。