<p>VSCode 做数据科学重在编辑、运行、调试、可视化和协作的顺滑衔接，核心是轻量、可控、可复现；需显式管理 Python 环境，用 conda/venv 创建项目专属环境并手动选择解释器，确保 kernel 与包版本一致；.py 封装逻辑（含类型提示、测试），.ipynb 专注探索与展示；支持 # %% 单元运行、notebook 导出为脚本；调试时善用 VARIABLES 面板、悬停查看、DEBUG CONSOLE；推荐仅装 Python、Jupyter、Markdown All in One、GitLens 四个插件。</p>
用 VSCode 做数据科学，关键不是装一堆插件，而是让编辑、运行、调试、可视化和协作几个环节顺滑衔接。核心是轻量、可控、可复现——不依赖黑盒 IDE，也不被 Jupyter 界面绑架。
Python 环境与内核管理要“显式”
别用全局 Python，也别靠 VSCode 自动找解释器。用 conda 或 venv 创建项目专属环境，然后在 VSCode 中手动选中它（Ctrl+Shift+P → “Python: Select Interpreter”）。这样能确保 kernel 启动时加载的是你预期的包版本。
常见问题：Jupyter Notebook 运行时报 “ModuleNotFoundError”，往往是因为 notebook 用的 kernel 和你当前终端激活的环境不一致。解决方法：在 notebook 顶部右上角点 kernel 名称 → “Change Kernel” → 手动选你刚配置好的那个。
代码 + 笔记本混合工作流：.py 和 .ipynb 各司其职
把逻辑封装进 .py 文件（带类型提示、docstring、单元测试），把探索、绘图、结果展示留在 .ipynb 里。VSCode 支持直接运行 .py 文件中的函数作为 cell（用 # %% 分隔），也支持将 notebook 导出为 .py —— 这样既能调试，又能保留交互性。
- 写函数时，在 .py 文件里加 # %%，VSCode 就把它当 cell，按 Shift+Enter 可逐段运行
- 想快速画图？在 .py 里写好 plot 函数，然后在 notebook 里 import 调用，避免重复代码
- 导出 notebook 成脚本：右键 → “Export to Python” —— 适合沉淀分析流程
调试和变量检查比 print() 更高效
VSCode 的 Python 调试器对 pandas DataFrame、numpy array、sklearn model 都有友好支持。打断点后，左侧 “VARIABLES” 面板能展开查看结构；鼠标悬停变量自动显示值；右键变量还能 “Add to Watch” 或 “Copy Value”。
小技巧：在调试时打开 “DEBUG CONSOLE”，可以直接输入 df.head()、model.coef_ 查看，不用反复设断点或改 print。
轻量但够用的插件组合
只装这 4 个核心插件，基本覆盖 90% 场景：
- Python（官方，必装）—— 提供语言服务、调试、kernel 支持
- Jupyter（官方）—— 支持 .ipynb、交互窗口、渲染图表
- Markdown All in One—— 写 README、分析文档、实验记录更顺手
- GitLens—— 查看某行代码谁写的、什么时候改的，对协作和复盘很重要
不推荐装“Python for Data Science”这类大而全的合集包——更新不同步、容易冲突、功能重叠。
基本上就这些。VSCode 不是替代 JupyterLab 或 RStudio，而是给你一个更底层、更透明、更容易定制的数据分析起点。
