VSCode协同Jupyter Notebook：解锁顶尖协同工作技巧

# 1. VSCode与Jupyter Notebook的协同基础

在当今的数据科学和机器学习领域，Jupyter Notebook已经成为了执行实验和分享发现的首选工具。然而，对于更复杂的项目，尤其是需要编写和维护大量代码的应用程序时，Visual Studio Code（VSCode）则展现出了其强大的代码编辑功能和扩展能力。VSCode与Jupyter Notebook的协同，为开发者提供了一个既能够提供强大的编程工具，又能够保持数据分析灵活性的完美组合。

通过本章，我们将介绍VSCode与Jupyter Notebook协同工作的重要性和基础设置。首先，我们会探讨为什么将VSCode作为Jupyter Notebook的前端编辑器是一个有益的选择，然后逐步讲解如何设置VSCode以支持Jupyter Notebook，以及如何利用VSCode的各种插件和配置来增强Jupyter Notebook的功能。

VSCode与Jupyter Notebook的集成不仅仅是为了数据科学家和工程师提供一个更舒适的环境，它也代表了开发工作流中敏捷性和生产力的一种演进。接下来的章节将深入探讨如何实现这种协同工作，以及如何最大化这种组合的潜力。

# 2. 设置VSCode以支持Jupyter Notebook

## 2.1 VSCode的安装和配置

### 2.1.1 安装VSCode

在开始配置VSCode以支持Jupyter Notebook之前，用户需要确保已经安装了VSCode。VSCode的安装过程简单直接，可以在Windows、macOS、Linux等多个操作系统上安装和运行。

1. 访问VSCode的官方下载页面（https://code.visualstudio.com/download）。
2. 选择适合您操作系统的版本进行下载。VSCode提供了一个安装器（Windows和macOS）和一个压缩包（适用于Linux）。
3. 下载完成后，运行安装程序。对于Windows用户，这通常意味着双击安装文件并遵循提示。对于macOS用户，下载的是一个`.dmg`文件，可以通过拖放的方式完成安装。Linux用户需要解压下载的文件，并运行`code`命令。
4. 安装完成后，可以启动VSCode，并进行一些基本的设置，例如设置主题和字体等。

安装VSCode后，我们将进行接下来的步骤，配置VSCode以支持Python开发环境，这是使用Jupyter Notebook的前提。

### 2.1.2 配置VSCode以支持Python

要使VSCode支持Python，我们需要安装Python语言的扩展以及配置Python解释器路径。

1. 启动VSCode后，点击左侧边栏的扩展图标（或使用快捷键`Ctrl+Shift+X`），这将打开扩展市场。
2. 在扩展市场中搜索“Python”扩展，由微软官方提供的扩展通常位于搜索结果的顶部。
3. 点击“安装”按钮，并等待安装完成。安装完成后，VSCode会自动检测并提示安装Python相关的语言服务。
4. 配置Python解释器路径：点击左下角的Python版本显示（或通过命令面板输入`Python:Select Interpreter`），选择一个合适的解释器。如果你已经安装了Python，VSCode应该能够自动检测到。如果没有检测到，可以通过在命令面板中选择`Python:Select Interpreter`，然后输入解释器的路径。

完成这些配置后，VSCode应该已经可以支持Python开发，接下来我们将安装Jupyter扩展，以便可以运行和管理Jupyter Notebook。

## 2.2 安装Jupyter扩展

### 2.2.1 在VSCode中安装Jupyter扩展

VSCode提供了一个名为“Jupyter”的扩展，用于支持Jupyter Notebook的运行和管理。此扩展也是由微软官方提供，支持Python代码的运行和调试。

1. 在VSCode的扩展市场中搜索“Jupyter”扩展。
2. 找到由Microsoft提供的“Jupyter”扩展，点击“安装”。
3. 安装后，VSCode会自动配置Jupyter扩展，通常不需要额外的配置步骤。

### 2.2.2 配置Jupyter扩展

安装了Jupyter扩展后，通常不需要额外的配置，但有些高级功能可能需要一些设置才能启用。

1. 通过命令面板（`Ctrl+Shift+P`）输入`Jupyter: Create Interactive Window`，以创建一个新的Jupyter交互式窗口。这对于快速测试代码片段非常有用。
2. 若需要使用Jupyter Notebook的高级功能（例如数据可视化或科学计算），可能需要安装额外的Python包。这可以通过VSCode的终端来完成，通过运行`pip install <package-name>`来安装。
3. 如果你是教育机构的学生或教职员工，可以申请教育优惠，获取免费的专业版VSCode。

## 2.3 连接远程Jupyter Notebook

### 2.3.1 设置远程连接

Jupyter Notebook的一个强大功能是它可以通过Web界面远程访问。这在需要使用服务器或高性能计算机资源时非常有用。

1. 在服务器上安装Jupyter Notebook。这通常涉及在服务器上运行`pip install notebook`（或`pip install jupyterlab`）。
2. 启动远程Jupyter Notebook服务，运行`jupyter notebook --ip 0.0.0.0`（或`jupyter lab`）。
3. 在客户端（即你的计算机）上，通过浏览器输入服务器的IP地址和Jupyter Notebook运行的端口号来连接远程服务器。

### 2.3.2 远程调试和执行代码

远程连接到Jupyter Notebook后，可以像本地使用一样进行代码调试和执行。

1. 所有标准的Notebook功能（如插入单元格、编辑代码）都将可用。
2. 要在远程Notebook中调试代码，可以使用VSCode的调试功能。点击代码左侧的行号旁边的小点来设置断点。
3. 启动调试会话，选择“Jupyter”作为调试环境。

通过这些步骤，我们完成了在VSCode中安装和配置Python开发环境和Jupyter扩展，并展示了如何远程连接和使用远程Jupyter Notebook。这些配置为后续章节中更高级的开发和管理操作打下了基础。

## 2.3.2.1 代码块示例：远程Jupyter Notebook连接

# 示例代码，用于远程连接Jupyter Notebook
import jupyter_client
import notebook.notebookapp

def get_config():
    return notebook.notebookapp.get_config()

def main():
    # 从配置文件获取远程主机的设置
    c = get_config()
    # 设置开放的IP地址和端口
    c.NotebookApp.ip = '0.0.0.0'
    c.NotebookApp.port = 8888
    # 启动Jupyter Notebook服务
    app = notebook.notebookapp.NotebookApp.instance()
    app.initialize(argv=[])
    app.start()

if __name__ == '__main__':
    main()

### 逻辑分析和参数说明

- `import jupyter_client` 和 `import notebook.notebookapp`：这些模块被导入以使用Jupyter的API。
- `get_config()`函数用于获取Jupyter Notebook服务的配置信息，它将被用于设置远程连接时必要的IP地址和端口号。
- `main()`函数中，首先通过`get_config()`获取配置实例。
- 配置实例`c`被用来设置开放IP地址为`0.0.0.0`（意味着所有IP都可以连接到这个Notebook服务器），并且设置端口号为`8888`（这是Jupyter Notebook服务的默认端口）。
- `app = notebook.notebookapp.NotebookApp.instance()`获取Jupyter服务的实例，并通过调用`initialize(argv=[])`来初始化这个实例。
- 最后，调用`app.start()`启动Notebook服务。

在实际应用中，用户可能需要根据服务器的特定需求调整这些参数，例如更改端口号或配置认证机制以提高安全性。在远程连接时，服务器的IP地址和端口会被用作访问远程Notebook的地址。例如，如果服务器的IP地址是`192.168.1.100`，那么在本地浏览器中输入`http://192.168.1.100:8888`就可以访问远程的Jupyter Notebook界面。

# 3. 在VSCode中高效管理Jupyter Notebook

在这一章节中，我们将深入探讨如何利用Visual Studio Code (VSCode) 环境高效地管理Jupyter Notebook。从创建新的Notebook到组织多个Notebook文件，再到如何有效地使用代码片段和代码单元，以及实现团队合作和版本控制，本章将提供一系列的技巧和方法来提高你的工作效率。

## 3.1 Notebook的创建和组织

### 3.1.1 创建新的Jupyter Notebook

创建一个新的Jupyter Notebook是数据科学家和开发人员日常工作的一部分。VSCode提供了一个直观而强大的方法来完成这一任务。从VSCode的活动栏打开“资源管理器”，然后点击“新建文件”图标。选择创建一个新的Jupyter Notebook，通常以.ipynb为文件扩展名。VSCode会自动启用Jupyter扩展，并打开一个新的Notebook界面。

- 点击“新建文件”图标（+）
- 输入文件名并以.ipynb结尾
- VSCode会自动创建一个Notebook，并打开编辑器

### 3.1.2 管理多个Notebook文件

随着项目的发展，你可能会创建和积累大量的Notebook文件。有效管理这些文件对于保持项目的组织和清洁至关重要。VSCode的资源管理器界面可以帮助你通过文件夹对Notebook进行分类，还可以利用VSCode的搜索和文件操作功能来管理这些文件。

- 使用文件夹组织相关的Notebook
- 利用VSCode的搜索功能快速定位文件
- 使用快捷键或右键菜单进行文件操作

## 3.2 代码片段和代码单元的管理

### 3.2.1 插入和管理代码片段

代码片段是Jupyter Notebook中不可或缺的部分，它们允许你执行Python代码并立即查看结果。在VSCode中，你可以通过点击Notebook编辑器上方的“+ Code”按钮来插入新的代码单元。VSCode提供了丰富的快捷键来快速插入和执行代码单元。

- 使用快捷键`[Shift] + [Enter]`插入新的代码单元并运行
- 使用`[Ctrl] + [Shift] + [-]`分割现有单元格
- 使用`[Ctrl] + [Enter]`运行当前单元格但不插入新单元格

### 3.2.2 代码单元的执行和调试

当执行复杂的代码单元或整个Notebook时，可能需要进行调试。在VSCode中，你可以使用其内置的调试工具来设置断点，逐步执行代码，并检查变量的值。通过这种方式，你可以逐步跟踪代码执行，找出潜在的错误和逻辑问题。

- 在代码行号左侧点击以设置断点
- 使用调试面板中的按钮进行代码执行
- 利用变量面板和监视面板查看和修改变量状态

## 3.3 协作工具和版本控制

### 3.3.1 使用Git进行版本控制

版本控制系统是软件开发中的核心工具，它可以帮助你跟踪文件更改、合并不同开发者的贡献，并解决合并冲突。VSCode通过集成了Git功能，可以让你在不离开编辑器的情况下进行版本控制操作。对于Jupyter Notebook文件，使用Git可以帮助团队成员同步代码和数据。

- 初始化Git仓库：`git init`
- 添加文件到暂存区：`git add .`
- 提交更改：`git commit -m "描述性消息"`
- 同步远程仓库：`git pull` 和 `git push`

### 3.3.2 协作时的合并和冲突解决

在多开发者协作的环境中，版本冲突是不可避免的。VSCode提供的冲突解决工具能够直观地展示冲突区域，并提供合并建议。通过VSCode，你可以轻松解决合并冲突，并在冲突解决后继续代码提交。

- 查看冲突文件并手动解决冲突
- 使用VSCode的比较视图来选择接受哪个版本
- 提交解决冲突后的更改

## 3.4 Notebooks的高级特性

### 3.4.1 快捷命令和单元格模板

为了提高工作效率，VSCode提供了快捷命令和单元格模板。这些功能可以帮助你快速执行常用操作或插入预设的代码模板。快捷命令可以通过VSCode命令面板访问，而单元格模板可以通过自定义代码片段来实现。

- 快捷命令访问：`[Ctrl] + [Shift] + [P]` 打开命令面板
- 自定义代码片段：打开设置 -> 用户代码片段 -> Jupyter Notebook

### 3.4.2 动态交互和小部件

VSCode的Jupyter Notebook扩展也支持使用Jupyter小部件进行动态交互。这些小部件允许你在Notebook中嵌入丰富的用户界面元素，如滑块、下拉菜单和图表，从而提升用户体验。

- 安装ipywidgets扩展：`pip install ipywidgets`
- 在Notebook中导入并使用小部件

通过本章节的介绍，我们已经了解了如何在VSCode中高效管理Jupyter Notebook，从创建和组织Notebook文件到管理代码单元和协作工具的使用。下一章中，我们将进一步深入学习如何通过高级Notebook功能、扩展VSCode和Jupyter Notebook的能力以及代码自动完成和智能提示来提升效率。

# 4. 提升VSCode中Jupyter Notebook的效率

在第四章中，我们将深入探讨如何在VSCode中进一步提升Jupyter Notebook的工作效率。本章将围绕高级Notebook功能、扩展VSCode和Jupyter Notebook的能力、以及代码自动完成和智能提示进行展开。

## 4.1 高级Notebook功能

### 4.1.1 魔法命令的使用

Jupyter Notebook提供了所谓的“魔法命令”，这些特殊的命令可以帮助用户执行各种高级操作，比如系统命令的执行、绘图、以及性能分析等。这些命令通常以`%`（行魔法）或`%%`（单元魔法）开头。

**代码示例：**

# 行魔法命令示例
%timeit range(1000)

# 单元魔法命令示例
%%bash
# 在本单元中运行Bash命令
echo "Hello from Bash!"

**逻辑分析：**

上述代码块展示了行魔法命令`%timeit`用于测试代码段的执行时间，以及单元魔法命令`%%bash`用于执行一个Bash脚本。使用魔法命令可以极大地增强Notebook的交互性和实用性。

**参数说明：**

- `%timeit`：自动重复执行代码多次，计算最短的执行时间。
- `%%bash`：执行当前单元格内的所有代码作为Bash脚本。

### 4.1.2 数据可视化集成

数据可视化是Jupyter Notebook中的一个强项，它允许用户直接在Notebook内生成图表，提高数据分析的直观性和效率。

**代码示例：**

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)

plt.plot(x, y)
plt.title('A sinusoidally modulated sinusoid')
plt.show()

**逻辑分析：**

本代码块使用`matplotlib`库生成了一个简单的正弦波图表。在VSCode中，图表将直接显示在Notebook中，无需额外的插件或配置。这为数据分析和结果展示提供了极大的便利。

**参数说明：**

- `import matplotlib.pyplot as plt`：导入`matplotlib`的绘图模块，并简称为`plt`。
- `import numpy as np`：导入`numpy`库并简称为`np`，用于科学计算。
- `np.linspace`：生成一系列等间距的数值。
- `np.sin`：计算数组中的正弦值。
- `plt.plot(x, y)`：在图表上绘制`x`和`y`的数据点。
- `plt.title()`：设置图表的标题。

## 4.2 扩展VSCode和Jupyter Notebook的能力

### 4.2.1 安装和使用VSCode扩展

VSCode拥有一个庞大的扩展生态系统，其中包括许多可以直接或间接增强Jupyter Notebook体验的扩展。

**代码示例：**

// 在VSCode的settings.json中添加
"jupyter.runStartupCommands": [
  "import numpy as np",
  "import pandas as pd",
]

**逻辑分析：**

上述JSON配置将指定VSCode在每次启动Jupyter Notebook时自动运行特定的Python命令。这有助于确保环境中已经导入了常用的库，从而提高工作效率。

**参数说明：**

- `"jupyter.runStartupCommands"`：配置键，指示VSCode运行启动时的命令列表。
- `"import numpy as np"`：在启动时导入`numpy`并简称为`np`。
- `"import pandas as pd"`：在启动时导入`pandas`并简称为`pd`。

### 4.2.2 定制化Notebook体验

为了满足不同用户的需求，VSCode允许用户通过扩展和设置选项来定制化Notebook的体验。

**代码示例：**

{
  "notebook.cellToolbarLocation": {
    "default": "right",
    "jupyter": "left"
  },
  "notebook.insertMode": "Split"
}

**逻辑分析：**

这个JSON配置展示了如何通过修改`settings.json`来调整Notebook的布局和插入模式。`notebook.cellToolbarLocation`可以更改工具栏的位置，而`notebook.insertMode`则定义了当用户插入新的代码单元格时，默认是以“合并”还是“分割”模式进行。

**参数说明：**

- `"notebook.cellToolbarLocation"`：配置键，定义Notebook单元格工具栏的位置。
- `"default": "right"`：默认情况下，工具栏位于单元格的右侧。
- `"jupyter": "left"`：当在Jupyter模式下时，工具栏位于单元格的左侧。
- `"notebook.insertMode"`：配置键，定义新单元格的插入模式。
- `"Split"`：新单元格将与当前单元格“分割”成两个独立的单元格。

## 4.3 代码自动完成和智能提示

### 4.3.1 利用LSP增强代码自动完成

VSCode支持通过语言服务器协议（Language Server Protocol，LSP）为不同的编程语言提供增强的代码自动完成和其他智能提示。

**代码示例：**

{
  "python.languageServer": "Pylance"
}

**逻辑分析：**

在VSCode的`settings.json`文件中，通过设置`python.languageServer`为`Pylance`，可以启用Pylance语言服务器，为Python代码提供更强大的自动完成、类型检查等智能提示功能。

**参数说明：**

- `"python.languageServer"`：配置键，指定了为Python代码提供语言服务的程序。
- `"Pylance"`：值指定使用Pylance作为语言服务器。

### 4.3.2 使用IntelliSense提高工作效率

IntelliSense是VSCode中一个功能强大的代码智能提示和自动完成工具，它支持多种编程语言。

**逻辑分析：**

启用IntelliSense后，用户在编写代码时能够看到一个智能提示列表，该列表根据当前的代码环境和用户输入动态生成。IntelliSense还会根据不同的编程语言提供特定的代码提示，如方法、属性、变量、库函数等。

**参数说明：**

- IntelliSense：智能提示和自动完成工具，集成在VSCode中，支持代码补全、参数信息提示、快速信息和成员列表等特性。

通过上述章节的内容，我们已经探索了如何在VSCode中利用高级功能和扩展来提升Jupyter Notebook的工作效率。接下来，我们将继续探讨如何通过VSCode进行数据处理、编写自动化任务和脚本、以及进行调试和性能优化。

# 5. VSCode与Jupyter Notebook的进阶应用

## 5.1 数据处理和分析

### 5.1.1 在Notebook中使用Pandas

在数据分析的领域中，Pandas库是不可或缺的工具之一，特别是在处理表格数据和进行数据清洗时。在Jupyter Notebook中，Pandas可以与VSCode无缝集成，从而允许数据科学家和分析师以一种交互式的方式来处理和分析数据。

首先，确保Pandas库已经被安装在您的Python环境中。打开VSCode，进入终端（Terminal），输入以下命令：

pip install pandas

安装完成后，您可以在Notebook的一个单元中导入Pandas，并开始处理数据：

import pandas as pd

# 示例：创建一个DataFrame
df = pd.DataFrame({
    'Column A': [1, 2, 3, 4],
    'Column B': [10, 20, 30, 40]
})

# 查看数据
print(df)

上述代码块中，首先导入了Pandas库，并创建了一个简单的DataFrame。然后通过打印它，我们可以在Notebook中直接查看数据内容，进行初步的数据审查。

### 5.1.2 利用Notebook进行机器学习

机器学习是目前IT行业的一大热点，而Jupyter Notebook因其交互性和易于分享的特性，在机器学习项目中被广泛使用。在VSCode中，我们可以利用Notebook来执行机器学习实验，训练模型，并且分析结果。

下面是一个简单的机器学习流程示例，使用了scikit-learn库来训练一个决策树模型：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载iris数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树模型并训练
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 使用模型进行预测
predictions = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, predictions)
print(f"Model accuracy: {accuracy:.2f}")

在这个案例中，我们首先从scikit-learn库中导入了必要的模块，接着加载了Iris数据集，并将其划分为训练集和测试集。之后创建了一个决策树分类器，对其进行了训练，并对测试集进行了预测。最后，我们计算了模型的准确率，以评估模型性能。

### 5.1.3 使用Notebook进行机器学习的深入探索

除了上述简单的例子，Notebook可以用来进行更复杂的机器学习任务，比如特征工程、模型调优、以及结果的可视化等。以下是一些针对机器学习项目中常用的Notebook功能：

1. **参数调优**: 利用网格搜索（Grid Search）或随机搜索（Random Search）来寻找最优的参数组合。

2. **结果可视化**: 使用matplotlib或者seaborn等库来进行数据可视化，比如展示模型的训练曲线、预测结果图等。

3. **交互式分析**: 使用如ipywidgets库来创建交互式的小部件，比如滑块和下拉菜单，通过它们来动态调整模型参数并立即查看结果的变化。

4. **模型持久化**: 使用如joblib或者pickle库来保存和加载训练好的模型，便于在不同的Notebook中复用模型。

5. **集成多个Notebook**: 在一个项目中创建多个Notebook，比如一个用于数据预处理，另一个用于模型训练，最后还有一个用于模型评估和展示。

通过以上步骤，您可以充分发挥VSCode与Jupyter Notebook的组合优势，构建一个高效、可复现的机器学习工作流。

# 6. 最佳实践和案例研究

## 6.1 VSCode与Jupyter的协作工作流

协作是现代软件开发和数据科学项目的标准部分。VSCode和Jupyter Notebook的结合提供了强大的工作流，可以提高团队效率。

### 6.1.1 开发团队的工作流优化

在团队环境中，统一的开发环境设置是至关重要的。使用VSCode，团队可以创建一个统一的`.vscode/settings.json`文件，包含所有必需的扩展和配置设置。此外，通过使用`settings sync`功能，团队成员可以在不同的机器之间同步他们的配置。在Jupyter Notebook方面，可以利用内核共享功能，允许团队成员访问和使用同一内核进行协作。VSCode的远程开发扩展允许开发人员在远程服务器上进行协作，从而实现代码的同步更新和共享。

### 6.1.2 个人项目的最佳实践

对于个人项目，VSCode和Jupyter的结合提供了灵活和高效的工作流。一个推荐的最佳实践是在项目文件夹内创建`README.md`文件，其中包含所有项目说明和必要的操作指南。使用VSCode的`tasks.json`和`launch.json`，开发者可以配置自定义任务和调试配置，以简化重复性任务和调试过程。此外，利用版本控制系统，例如Git，可以在项目中设置不同分支来处理实验性更改，同时保留主分支的稳定性。

## 6.2 从传统Jupyter迁移到VSCode

随着技术的发展，越来越多的开发者开始迁移到VSCode。这是因为VSCode提供了更丰富的功能和扩展性。

### 6.2.1 迁移过程中的常见问题

迁移到VSCode时，一些开发者可能会遇到插件兼容性问题。为了解决这个问题，首先确保所有必需的Jupyter扩展都已经安装在VSCode中，并且版本兼容。此外，迁移时可能会失去一些Jupyter特有的功能，例如交互式小部件。这种情况下，可以考虑使用第三方扩展来弥补这些功能的缺失。

### 6.2.2 迁移后的优势和提升

迁移到VSCode后，开发者将享受到更强大的编辑器功能，例如智能代码补全、代码重构、调试工具等。VSCode的多窗口支持允许同时打开多个Notebook和代码文件，从而在不同的任务之间无缝切换。此外，VSCode与Git的集成度更高，可以更方便地进行版本控制和代码审查。通过VSCode丰富的扩展库，开发者还可以根据需求定制开发环境，进一步提升工作效率。

## 6.3 社区分享和资源获取

在社区中分享和学习是任何技术栈成长的关键部分。

### 6.3.1 加入VSCode和Jupyter社区

VSCode和Jupyter都有活跃的社区，其中包括论坛、聊天室和问题跟踪器。通过这些平台，开发者可以提出问题、分享经验、获取帮助和反馈。VSCode官方提供了[Discord](https://discord.gg/MpTn3rF)和[Gitter](https://gitter.im/Microsoft/vscode)聊天室，而Jupyter社区则有[Slack](https://jupyter.org/slack)工作区，是与同行交流的好地方。

### 6.3.2 推荐的学习资源和扩展工具

除了社区，还有很多资源可以帮助开发者提高他们的VSCode和Jupyter技能。官方文档是学习和获取最新信息的首选来源。此外，有许多在线教程、博客文章、视频课程和书籍可以作为学习材料。以下是一些推荐的学习资源：

- VSCode官方文档: [docs.microsoft.com/en-us/vscode](https://docs.microsoft.com/en-us/vscode)
- Jupyter官方文档: [jupyter.org/documentation](https://jupyter.org/documentation)
- 在线教育平台，如DataCamp和Udemy上的VSCode和Jupyter相关课程
- GitHub上的开源项目和脚本，为实践学习提供丰富的例子

通过学习这些资源，开发者可以不断地扩展他们的知识库，更好地利用VSCode和Jupyter Notebook。