在 VS Code 中试试

VS Code 中的 Data Wrangler 入门

Data Wrangler 是一个以代码为中心的数据查看和清理工具,集成在 VS Code 和 VS Code Jupyter Notebooks 中。它提供丰富的用户界面,用于查看和分析数据,显示有见地的列统计信息和可视化效果,并在清理和转换数据时自动生成 Pandas 代码。

以下是打开 Data Wrangler 从笔记本分析和清理内置操作数据的示例。然后将自动生成的代码导出回笔记本中。

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

本文档介绍如何

  • 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
  • 编辑并将数据整理代码导出到笔记本
  • 故障排除和提供反馈

设置环境

  1. 如果尚未安装,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。它还会检查您的计算机和环境,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 是否自动安装它们

名称 最低要求版本 自动安装
Python 3.8
pandas 0.25.2

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 无法安装这些依赖项,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

任何时候在 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。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

从 Jupyter Notebook 启动 Data Wrangler 有三种方法

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

  1. Jupyter > 变量面板中,在任何支持的数据对象旁边,您可以看到一个启动 Data Wrangler 的按钮。
  2. 如果您的笔记本中有 Pandas 数据帧,运行输出数据帧的代码后,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)。这包括 1) df.head(), 2) df.tail(), 3) display(df), 4) print(df), 5) df
  3. 在笔记本工具栏中,选择查看数据会弹出一个列表,其中包含笔记本中所有支持的数据对象。然后,您可以选择该列表中要用 Data Wrangler 打开哪个变量。

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文件的任意文件夹。在文件资源管理器视图中,右键单击该文件并单击在 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在以下后续部分中解释。

  1. 查看模式:查看模式优化界面,让您快速查看、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:编辑模式优化界面,让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,这些代码可以导出回您的笔记本以便重复使用。

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. 如果选中了特定列,则数据摘要面板会显示整个数据集或该列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. 快速见解标题区域可以快速查看有关每一列的重要信息。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

切换到编辑模式可在 Data Wrangler 中启用附加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. 清理步骤面板显示之前已应用的所有操作的列表。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中。

  4. 当您选择了一个操作并正在预览其对数据的影响时,网格上会叠加一个数据差异视图,显示您对数据所做的更改。

  5. 代码预览部分显示在选择了操作时 Data Wrangler 生成的 Python 和 Pandas 代码。未选择操作时,该部分为空。您可以编辑生成的代码,这会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 按升序或降序对一列或多列进行排序
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 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 删除一列或多列
选择列 选择要保留的一列或多列并删除其余列
重命名列 重命名一列或多列
克隆列 创建一列或多列的副本
删除缺失值 删除包含缺失值的行
删除重复行 删除在一列或多列中具有重复值的所有行
填充缺失值 将包含缺失值的单元格替换为新值
查找和替换 将单元格替换为匹配模式
按列分组并聚合 按列分组并聚合结果
去除空格 去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成多列
首字母大写 将第一个字符转换为大写,其余字符转换为小写
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
通过示例进行字符串转换 根据您提供的示例检测到的模式自动执行字符串转换
通过示例进行日期时间格式化 根据您提供的示例检测到的模式自动执行日期时间格式化
通过示例新建列 根据您提供的示例检测到的模式自动创建列。
缩放最小值/最大值 将数值列缩放到最小值和最大值之间
四舍五入 将数字四舍五入到指定的小数位数
向下取整 (floor) 将数字向下取整到最接近的整数
向上取整 (ceiling) 将数字向上取整到最接近的整数
自定义操作 根据示例和现有列的派生自动创建新列

如果缺少您希望 Data Wrangler 支持的操作,请在我们的 Data Wrangler GitHub 存储库中提交功能请求。

修改上一步骤

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。

a screenshot of the search for columns feature

故障排除

一般的内核连接问题

对于一般的连接问题,请参阅上面关于连接到 Python 内核部分的替代连接方法。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

如果在直接从 Data Wrangler 打开数据文件时遇到 UnicodeDecodeError,则这可能由两个问题引起

  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 read_csv 方法),其中 read 方法的 encoding 和/或 encoding_errors 参数可以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,可以尝试使用 chardet 等库来尝试推断一种可行的编码。

问题与反馈

如果您有问题、有功能请求或任何其他反馈,请在我们的 GitHub 存储库中提交问题: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 隐私声明以了解更多信息。此扩展遵守 telemetry.telemetryLevel 设置,您可以在 https://vscode.js.cn/docs/configure/telemetry 了解更多信息。