用好VSCode做数据科学的关键是让编辑器理解Python语义、Jupyter逻辑和数据探索节奏，需对齐Python环境、Jupyter内核、语言服务与调试配置，而非堆砌插件。

用好 vscode 做数据科学，核心不是装一堆插件，而是让编辑器“懂你写的是什么”——懂 python 的语义、懂 jupyter 的交互逻辑、懂数据探索的节奏。配置到位后，写代码、调模型、看结果、改参数，一气呵成。

Python 环境与内核要真正隔离

很多人用 conda 或 venv 创建了环境，却没在 VSCode 里正确选中它对应的 Python 解释器和 Jupyter 内核，导致 pip 安装的包找不到、matplotlib 不出图、甚至 sklearn 版本错乱。

• 按 Ctrl+Shift+P（Mac 是 Cmd+Shift+P），输入 Python: Select Interpreter，选中你项目专属的环境路径（比如 ./venv/bin/python 或 ~/miniconda3/envs/ds-env/bin/python）
• 新建一个 .ipynb 文件后，右上角点击内核选择器，确认它和上面选的解释器一致；如果不一致，点 “Change kernel” → “Existing” → 手动指定该环境下的 python -m ipykernel
• 在终端里运行 which python 和 jupyter kernelspec list，交叉验证路径是否匹配

Jupyter 工作流不卡顿的关键设置

VSCode 自带的 Jupyter 支持很强大，但默认行为容易拖慢：自动保存、实时变量面板、频繁内核通信，都会让中等规模的数据集（比如 10 万行 CSV）变得卡顿。

• 关闭自动变量刷新：Settings → Jupyter: Variable Explorer → 取消勾选 "Show Variable Explorer"
• 禁用保存时自动执行单元：Settings → Jupyter: Auto Save → 设为 "off"
• 用 Ctrl+Enter 运行当前单元，Shift+Enter 运行并跳转下个单元，比鼠标点更稳；想快速重载数据？在代码开头加 %reload_ext autoreload; %autoreload 2

让代码补全和类型提示真正有用

Pylance 是 VSCode 默认 Python 语言服务器，但它需要你主动告诉它“哪些模块是可信的”，否则 pandas 的 df.groupby().agg() 就可能提示“无此方法”。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 在项目根目录加 pyrightconfig.json，填入：
  {"include": ["."], "exclude": ["**/node_modules", "**/__pycache__"], "reportMissingImports": "warning"}
• 安装 pandas-stubs 和 numpy-stubs：pip install pandas-stubs numpy-stubs，它们提供精确的类型注解
• 写函数时加类型提示，比如 def clean_data(df: pd.DataFrame) -> pd.DataFrame:，Pylance 就能顺着推导后续所有操作的属性和方法

调试与快速迭代不能只靠 print

数据脚本跑得慢，print 太原始，log 又太重——VSCode 的调试器配合条件断点和“仅此一次”断点，能精准停在某次循环、某个异常前、或某条过滤后的样本上。

• 在 .py 或 .ipynb 中，点行号左侧加断点；右键断点可设“条件”（如 i == 999）或“命中次数”（如 “仅在第 5 次触发”）
• 调试时打开 Variables 面板，直接展开 df 查看前几行、形状、列名；右键变量可 “Copy Value” 或 “Add to Watch”
• 在调试控制台（Debug Console）里直接运行临时代码，比如 df['price'].hist()，图形会出现在“Plots”面板中

基本上就这些。配置花一小时，之后几个月都省时间。不复杂但容易忽略——关键是把环境、内核、语言服务、调试四者对齐，而不是堆插件。