Data Wrangler插件无法直接清洗Python代码中定义的pd.DataFrame对象，仅支持通过右键打开本地CSV等文件或Jupyter中生成的临时文件来启动；需导出后手动读回并处理dtype断裂问题。
Data Wrangler插件根本不能直接清洗Pandas DataFrame
VSCode官方市场里的 Data Wrangler 插件（Microsoft出品，ID ms-toolsai.data-wrangler）**不支持在Python编辑器中直接加载、操作或清洗已定义的 pd.DataFrame 对象**。它只工作于独立的数据文件（如 .csv、.xlsx、.json），且必须通过右键“Open with Data Wrangler”显式打开——不是在 .py 文件里点一下变量就能调出来的。
常见误解是：写完 df = pd.read_csv("data.csv") 后，右键 df 变量 → 期待弹出清洗界面。这不会发生。插件没有变量注入能力，也不监听内核变量状态。
正确启动Data Wrangler的两种路径
必须绕过Python代码上下文，从文件系统或Jupyter环境切入：
- 在资源管理器中右键一个
.csv文件 → 选择Open with Data Wrangler（此时会打开新标签页，含可视化列统计、缺失值热力图、一键填充/删除/拆分等） - 在
.ipynb文件中运行单元格生成 CSV 输出（例如df.to_csv("temp.csv", index=False)），再右键该生成的temp.csv→Open with Data Wrangler
注意：Data Wrangler 不读取 .ipynb 内的变量，也不解析 pd.read_* 调用；它只认磁盘上真实存在的结构化文件。
想在VSCode里实时清洗DataFrame？换方案
如果目标是“写Python时快速查看、过滤、转换当前 df”，Data Wrangler 不是解。更可行的组合是：
- 用 VSCode 内置的
Jupyter扩展（ms-toolsai.jupyter）+IPython内核：在.ipynb中运行df.head()、df.info()、df.describe()，配合df.query()或df.loc[]交互式切片 - 安装
Python扩展后，调试时在DEBUG CONSOLE直接输入df[df["col"] > 0].shape查看结果 - 需要图形化操作，导出为 CSV 后用 Data Wrangler 处理，再用
pd.read_csv()读回——这是目前唯一能衔接的 workflow
别指望插件自动感知变量名或类型；它没连 Jupyter 内核，也没做 AST 解析。
导出清洗结果后如何无缝读回Python
Data Wrangler 处理完数据后，点击右上角 Export to file，选 CSV（默认）。这时你得手动在 Python 里重新加载：
df_clean = pd.read_csv("data_wrangler_output.csv")
但要注意几个坑：
- 导出的 CSV 默认不含索引列，如果原数据有
index=True导出需求，需在 Data Wrangler 的 Export 设置里勾选Include index column - 时间列可能被转成字符串，
pd.read_csv()需加parse_dates=...参数还原 - 布尔列导出后是
True/False字符串，读入后要df[col] = df[col].map({"True": True, "False": False})
真正麻烦的从来不是清洗动作本身，而是导出格式和原始 dtypes 之间的隐式断裂——这点容易被忽略，直到后续 merge 或 groupby 报错才反应过来。
