在 VS Code 中使用 Data Wrangler 入门指南

Data Wrangler 是一个集成在 VS Code 和 VS Code Jupyter Notebooks 中的代码中心数据查看和清理工具。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 notebook 中打开 Data Wrangler 的一个示例，以使用内置操作来分析和清理数据。然后将自动生成的代码导出回 notebook。

本文件涵盖如何：

• 安装和设置数据整理器
• 从笔记本中启动数据整理器
• 从数据文件启动数据整理器
• 使用数据整理器来探索您的数据
• 使用Data Wrangler对您的数据进行操作和清理
• 编辑并导出数据整理代码到一个笔记本
• 故障排除和提供反馈

设置您的环境

1. 如果您还没有这样做，请安装Python。 重要： Data Wrangler仅支持 Python 3.8 或更高版本。
2. 安装Visual Studio Code.
3. 安装数据整理器扩展

当你第一次启动Data Wrangler时，它会问你想连接到哪个Python内核。它还会检查你的机器和环境，以确定是否安装了所需的Python包，例如Pandas。

以下是Python和Python包所需版本的列表，以及它们是否由Data Wrangler自动安装：

如果在你的环境中找不到这些依赖项，Data Wrangler 将尝试为你安装它们皮普如果 Data Wrangler 无法安装依赖项，最简单的解决方法是手动运行使用pip安装，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。

开放数据整理师

无论何时你在Data Wrangler中，你都处于一个受限的环境中，这意味着你可以安全地探索和转换数据。在你明确导出更改之前，原始数据集不会被修改。

从 Jupyter Notebook 启动数据 Wrangler

有三种方法可以从前端 Notebook 启动 Data Wrangler

1. 在Jupyter > 变量面板中，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. 如果你的笔记本中有Pandas数据框，现在你可以在运行输出数据框的代码后，在单元格底部看到一个在数据整理器中打开“df”按钮（其中“df”是你的数据框的变量名）。这包括1）df.head(), 2)df.tail(), 3)显示(df), 4)打印(df), 5)输入：df输入：.
3. 在笔记本工具栏中，选择“查看数据”，会列出笔记本中支持的所有数据对象。然后，您可以选择要在一个数据整理器中打开的变量。

直接从文件中启动数据整理器

你也可以直接从本地文件（例如一个 ）启动 Data Wrangler输入：.csv) 要做到这一点，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，右键单击该文件并点击在数据整理器中打开.

Data Wrangler目前支持以下文件类型

• 输入：.csv输入：/.tsv
• 输入：.xls输入：/.xlsx
• .parquet

根据文件类型，您可以指定分隔符和/或工作表。

您还可以将这些文件类型默认设置为使用Data Wrangler打开。

UI 之旅

Data Wrangler在处理数据时有两种模式。每个模式的详细信息在下面的各节中解释。

1. 查看模式： 查看模式优化了界面，使您可以快速查看、筛选和排序您的数据。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，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，这可以导出到您的笔记本中以供重复使用。

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。输入：.

查看模式界面

1. 数据概要面板显示了您的整个数据集或选定列的详细摘要统计数据。

2. 您可以从列标题菜单中对任何数据过滤器/排序应用到该列上。

3. 在 查看 和 编辑 模式之间切换，以访问内置数据操作。

4. 快速见解标题是您可以快速查看每个列的有价值信息的地方。根据列的数据类型，快速见解显示数据的分布或数据点的频率，以及缺失和不同的值。

5. 数据网格提供了一个可滚动的面板，您可以在此查看整个数据集。

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. 操作面板是您可以搜索Data Wrangler的所有内置数据操作的地方。这些操作按类别组织。

2. 清理步骤面板显示了之前应用的所有操作列表。它使用户能够撤销特定操作或编辑最近的操作。选择一个步骤将在数据差异视图中突出显示该操作的更改，并显示与此操作相关的生成代码。

3. 导出菜单允许您将代码导出回Jupyter Notebook或导出数据到新文件。

4. 当你选择了一个操作并预览其对数据的影响时，网格上会覆盖一个数据差异视图，显示你对数据所做的更改。

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。当未选择任何操作时，它保持为空。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。

数据整理操作

内置的数据整理操作可以从操作面板中选择。

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

如果有一些操作在 Data Wrangler 中缺失，而你希望 Data Wrangler 能够支持这些操作，请在我们的 Data Wrangler GitHub 仓库 提出功能请求。

修改先前的步骤

生成的代码的每一步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，当您更改操作（通过代码或操作面板）时，数据视图中会突出显示您更改的影响。

编辑和导出代码

一旦你完成了在Data Wrangler中的数据清理步骤，有三种方法可以将清理后的数据集导出从Data Wrangler。

1. 将代码导出回Notebook并退出：这会在你的Jupyter Notebook中创建一个新的单元格，包含你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： 这将把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： 这将复制Data Wrangler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，请选择转到列，然后在数据整理工具栏中搜索相应的列。

故障排除

通用内核连接问题

对于一般的连接问题，请参阅上面的“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，潜在的解决方法之一是安装不同版本的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）。

要清除已缓存的内核，您可以运行数据整理器：清除缓存的运行时 从命令面板发出命令 ⇧⌘P （Windows, Linux Ctrl+Shift+P）。

打开数据文件会Unicode解码错误

如果你遇到一个Unicode解码错误当直接从 Data Wrangler 打开数据文件时，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与其他编码不同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中打开。使用 Jupyter Notebook 通过 Pandas 读取文件，例如使用 read_csv 方法。在 读方法，使用编码和/或编码错误参数来定义使用的编码或如何处理编码错误。如果你不知道这个文件可能适用的编码，可以尝试使用库如chardet来尝试推断出一个适用的编码。

问题和反馈

如果您遇到问题、有功能请求或其他任何反馈，请在我们的 GitHub 仓库上提交一个 Issue：https://github.com/microsoft/vscode-data-wrangler/issues/new/choose

数据和遥测

Microsoft Data Wrangler 扩展程序为 Visual Studio Code 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。此扩展程序尊重遥测.遥测级别在 https://code.visualstudio.com/docs/configure/telemetry 中可以了解更多关于设置的信息。