VS Code 中 Data Wrangler 的使用入门

Data Wrangler 是一款以代码为中心的数据查看和清理工具，已集成到 VS Code 和 VS Code Jupyter Notebook 中。它提供了一个丰富的用户界面，用于查看和分析数据，显示富有洞察力的列统计数据和可视化，并在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 的示例，用于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。

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，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。Data Wrangler 需要这些依赖项，以便生成 Python 和 Pandas 代码。

打开 Data Wrangler

在 Data Wrangler 中，您始终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。除非您明确导出更改，否则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

1. 在Jupyter > 变量面板中，任何受支持的数据对象旁边，您都可以看到一个按钮来启动 Data Wrangler。
2. 如果您的笔记本中有一个 Pandas 数据框，您现在会看到一个在 Data Wrangler 中打开“df”按钮（其中“df”是数据框的变量名）出现在运行输出数据框的代码的单元格底部。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中，其中包含笔记本中所有受支持的数据对象。然后，您可以选择列表中要使用 Data Wrangler 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，右键单击该文件并单击在 Data Wrangler 中打开。

Data Wrangler 目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 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. 数据摘要面板显示您的整体数据集或特定列（如果选中）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. 快速洞察标题是您可以快速查看每列有价值信息的地方。根据列的数据类型，快速洞察显示数据的分布或数据点的频率，以及缺失值和不同值。

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

切换到编辑模式会启用 Data Wrangler 中的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。

1. 操作面板是您可以通过它搜索 Data Wrangler 所有内置数据操作的地方。操作按类别组织。

2. 清理步骤面板显示所有已应用操作的列表。它使用户能够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 Data Wrangler 在选择操作时生成的 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

可以从操作面板中选择内置的 Data Wrangler 操作。

下表列出了 Data Wrangler 初始版本目前支持的 Data Wrangler 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 Data Wrangler 支持的操作，请在我们的 Data Wrangler GitHub 仓库中提交功能请求。

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（无论是通过代码还是操作面板），您的更改对数据的影响都会在网格视图中突出显示。

编辑和导出代码

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新 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”部分中的替代连接方法。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，您可以安装预发布版本（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: 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

如果您在直接从 Data Wrangler 打开数据文件时遇到 UnicodeDecodeError，这可能是由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 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。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 等库来尝试推断可行的编码。

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 扩展会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。此扩展尊重 telemetry.telemetryLevel 设置，您可以在 https://vscode.js.cn/docs/configure/telemetry 上了解更多信息。