数据分析师的最佳编程工具组合：VSC + Jupyter + Docker

在日益繁忙的工作环境中，选择合适的编程工具已成为提升开发者工作效率的关键。不同的工具能够帮助我们简化代码编写、自动化任务、提升调试速度，甚至让团队协作更加顺畅。然而不同的岗位对编程工具的要求也许并不一样，本文粗浅探讨数据分析师的最佳编程工具组合。不妥之处，欢迎指正。

一、关于Jupyter Notebook：优势与困惑

优势

数据分析师编程的最佳语言是Python，而配套的最佳编程工具无疑是Jupyter Notebook。究其原因，主要是因为它有如下特点：

1. 按单元运行，边写代码边看结果。对数据分析师来说，基本上每个程序的第一单元的最后一句话总是df.head()😄。因为在装载数据后，首先就是想看一下数据长啥样。Jupyter按单元运行的特点，就让我们达到了这个目的。当然，远不止第一个单元，后面随时都会看看中间结果或者部分结果。其它编程平台很难做到这一点。

边写代码边看结果的另一个好处是随时可以修改写错的代码。这代替了繁琐的Debug过程，或者说让Debug过程变得更有趣。

当然，按单元运行的好处还远不止于此。例如我们有一个程序，先做数据清洗，接着做计算。因为数据量较大，数据清洗和准备花了20分钟，但是计算中有一个小小的Bug，那么这次调试就浪费了20分钟。而按单元运行，则在消除Bug的时候，前面的数据清洗工作单元不必再次运行，只需要修改计算单元，即可重新运行计算部分。这样就大大提高了编程和调试效率。

2. 直接显示图表，看图说话更高效。一图胜千言，可视化是数据分析的一个重要工作。一边写程序，一边把数据用图表形式展现出来，不仅让工作更有趣，同时也帮助数据分析师思考。

3. 图文码混编，写完程序直接提交报告。Jupyter Notebook的单元格分为两种，或为Code，或为Markdown，可以任意选择。这种混编模式，让数据分析师的工作异常有趣而高效。一方面，你可以把程序分段，并把调试完成的部分隐藏起来，集中精力在未完成的部分；另一方面，当编程和调试工作完成的时候，差不多也就是你的Report也完成的时候了。

图、文、码混编的方式，还非常有利于协同工作。例如，由于Markdown支持Latex，所以你可以在代码文件中先把复杂的数学公式写清楚，然后再写代码。这样，代码中即使不写注释或者只是非常简单的注释，其他人也很容易看懂。

困惑

Jupyter Notebook 本身不是一个编程平台，而是一种文件格式而已。但它同时也是一种编程方式，一种编程风格。

支持这种文件格式或者说这种编程方式的平台很多。除了官方系统，最有名的是Google Colab，另外Deepnote也不错，而Anaconda最近也提供了类似的在线编程平台。那么，选哪个最合适呢？

坦率地说，官方系统并不是很好用。需要下载和安装、配置，每次需要先启动服务，然后到浏览器界面使用。每次想到要写个小代码，总觉得有些小啰嗦。界面也不是很漂亮，文件管理也有点儿拉胯。好处是离线使用，自主可控。

Colab是良心产品，在线免费使用，很美观，功能强大，不付费也能用得很爽；但在文件管理方面让人烦心。它还有其它致命问题，懂的人都懂。

Deepnote文件管理做得比Colab好，功能更强大，然而不付费的话，时不时因为资源被别人抢占而断线，着实让人感到有点儿恶心。

Anaconda的呢？太新，我甚至感觉还不稳定。再说看上去跟官方平台本地安装的效果也差不多，功能和界面没有太多吸引人的地方。

总的来说各有各的好处，各有各的问题。所以我们应该选择哪个？

好吧，答案揭晓：最好的选择是VS Code。

二、关于VS Code：插件的威力

VS Code其实是蛮新的编程平台，三年前我用的时候感觉问题还蛮多，不太满意。所以那时候一直在Colab、Pycharm、本机官方Jupyter之间徘徊。

但VSC现在已经非常成熟好用了，尤其是其丰富的插件功能。鉴于VSC已经非常流行，它的基本用法和各种好处我就不啰嗦了，这里只讲几个插件。

VSC的插件功能非常强大，而使用起来非常轻松简单，基本上是“即插即用”。

什么意思呢？比如对于Jupyter插件，你甚至不用去找它；你只要在VSC里打开或新建一个目录，新建一个.ipynb文件，写上你的代码，要测试的话最最简单就是写上2 + 3这样一句话就可以了，点击运行，选择Python环境（当然最好是虚拟环境哈，下面再讲），系统直接就问你要不要装ipykernel（也是是Jupyter Notebook的内核），就像这样：

然后你只需要点击install，搞定！现在你直接就可以运行你的Jupyter Notebook代码了。（这个时候如果你去检查VSC的插件，就会发现实际上相关的Jupyter插件都已经帮你装好。）

总的来说在VSC里用Jupyter Notebook就是爽爆天。稳定可靠，界面美观，使用简便，文件管理也非常到位。总之我采用这样的搭配后，就是爱不释手了。目前这种组合是我工作中的绝对主力装备。

说到插件，VSC里面的Python Environment Manager也是非常好用。装好这个插件后，VSC左侧工具栏会出现一个蟒蛇图标，对于创建和管理Virtual Environment的工作来说，点击这个图标进去就可以完成了。

除了Jupyter Notebook插件和Environment Manager插件，最后一个你需要的重要插件就是下面我要讲的，Docker插件了。

三、关于Docker：为什么很重要？

数据分析师可能经常会遇到前人做过的某个项目，代码就在那里，你很想复制黏贴，然而它依赖于某个老版本的Python、某个老版本的Library，甚至该项目只能在Linux上运行，而你只有一台老破小的Mac。

这跟软件工程师不一样。软件工程师对于老的项目，必须要搬迁到新的平台上进行修正调试。假如你有一个软件只能在WINDOWS10上运行，而在WINDOWS11上有问题，你的老板一定不会放过你。当然，你的开发环境，老板一定会花钱的。

然而数据分析师既没必要、往往也没有资源去解决这个问题。数据分析师不挑食，还是你的老破小Mac就可以了；额外需要的只是一个Docker，在Docker容器里能够运行前辈的代码、针对特定的数据能得到合适的结果就可以了。这不是说数据分析师永远不需要对前人的代码进行移植，只是说很多情况下不必要浪费这个时间精力和资源，尤其是是项目前期。等项目得到验证，需要大规模部署的时候，再去落实资源和做必要的移植修正不迟。

Docker相当于虚拟机，但比虚拟机简单好用得多：

• 安装远比虚拟机简单，且免费
• 占用资源远比虚拟机少，你一个机器装好多个镜像（image）、好多个容器（container）都没问题
• Docker的image镜像，可能是安装了相关环境、甚至包括了代码的，去Docker Hub上拿来用就好了

不过一般说来，Docker镜像所生成的“虚拟机”——也就是容器，性质也像虚拟机一样，是有相当的独立性的，所以你要在里面编程，就有点儿困难。比如光是文件传来传去就有点儿费事儿。

然而，VSC的Docker插件，让这事儿一下子就变得简单无奇了。

假定你已经安装了Docker，并下载了你需要的镜像，现在请你打开Docker，启动一个container。然后在VSC里点击Docker插件图标，就可以看到已经激活的container；右键点击它，选择Attach Visual Studio Code，立刻就会得到一个新的VSC窗口，然后你就可以在这个container里选择目录、创建文件，并愉快地写代码了，跟在本机VSC里玩耍基本没有区别。

如果你的container是来自Ubuntu 12.4的镜像，里面装的是Python 3.6版本，你就妥妥地回到了从前，另一个时空。运气好的话，里面连前辈分享的项目代码也有，直接Run就完事儿了。这跟你本机是MacOS系统还是Windows系统，装的是Python 3.12还是3.10，完全没有关系。

然后你还可以直接把本机的代码文件或数据文件，直接拖到这个VSC窗口的文件目录里，相当于复制本机文件了。感觉就是本机的另一个文件夹，操作非常方便，但它却位于不同的时空——不同的操作系统，不同的Python版本。

甚至，现在不是流行GPU嘛，如果你本机没有GPU，你可以安装一个模拟GPU的镜像，这样你就有100%免费且自主可控的GPU玩耍了（当然很慢哈）。

反过来，如果你有重要成果结题了，也可以做成image分享，让同行收益，让后辈享福。

Docker还有很多好处，我就不一一道来了。知道的都知道，不知道的值得学一下。

小结

以上就是对于数据分析师的编程平台和工具的心得。

VSC + Jupyter + Docker，个个都是简化工作、增加效率的利器，融合起来就是编程神器了。

欢迎拍砖，也欢迎收藏点赞哦😄

（完）