跳到主要内容

在数据科学中使用 Cursor 与 Jupyter Notebooks

Cursor Jupyter Notebooks

Cursor 1.0+ 增加了对 Jupyter Notebooks 的原生支持，使其成为数据科学工作流程的绝佳环境。本指南涵盖如何在 Cursor 中设置和使用 .ipynb 文件，从基本编辑到 AI 辅助数据分析。

前提条件​

  • Cursor 1.0 或更新版本
  • 已安装 Python 3.8+
  • 已安装 Jupyter 包 (pip install jupyter)
  • .ipynb 文件或带有笔记本的项目

在 Cursor 中打开 Jupyter Notebooks​

方法 1：直接打开​

  1. 打开 Cursor
  2. 前往 文件 > 打开文件夹 并选择您的项目
  3. 在资源管理器中点击任意 .ipynb 文件
  4. Cursor 将在内置编辑器中打开笔记本

方法 2：从终端​

# 导航到您的项目
cd ~/data-science-project

# 在 Cursor 中打开
cursor .

方法 3：创建新笔记本​

  1. 在资源管理器侧边栏中右键单击
  2. 选择 新建文件
  3. 将其命名为 analysis.ipynb
  4. Cursor 将创建一个空白笔记本

Cursor 中的笔记本界面​

单元格类型​

Cursor 支持三种单元格类型：

单元格类型用途快捷键
代码执行 Python 代码Y
Markdown编写文档M
Raw未格式化文本R

基本操作​

操作快捷键
运行单元格Shift + Enter
运行单元格并在下方插入Alt + Enter
在上方添加单元格A
在下方添加单元格B
删除单元格D, D
切换行号L

单元格工具栏​

每个单元格都有一个工具栏，包含：

  • 运行按钮 (▶️) — 执行单元格
  • 单元格类型选择器 — 在代码/Markdown/Raw 之间切换
  • 上移/下移 — 重新排序单元格
  • 删除 — 移除单元格

连接到内核​

选择内核​

  1. 打开 .ipynb 文件
  2. 点击右上角的 选择内核
  3. 从可用选项中选择：
    • Python 环境（conda、venv、pyenv）
    • 远程内核（JupyterHub、远程服务器）
    • 现有 Jupyter 会话

创建虚拟环境​

# 创建虚拟环境
python -m venv venv

# 激活它
source venv/bin/activate  # macOS/Linux
venv\Scripts\activate     # Windows

# 安装包
pip install jupyter numpy pandas matplotlib seaborn scikit-learn

将环境注册为内核​

# 安装 ipykernel
pip install ipykernel

# 注册环境
python -m ipykernel install --user --name=myproject --display-name="Python (MyProject)"

AI 辅助数据分析​

分析 DataFrame​

  1. 在代码单元格中加载数据：
import pandas as pd

df = pd.read_csv('data.csv')
df.head()
  1. 运行单元格查看输出
  2. 选择输出表格
  3. 右键单击并选择 添加到聊天（或使用 @notebook）
  4. 询问 Cursor：
分析此数据集。关键模式和洞察是什么？

生成可视化​

创建一个可视化，显示列 A 和列 B 之间的关系。
使用带有回归线和置信区间的 seaborn。

Cursor 将生成代码：

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
sns.regplot(data=df, x='column_A', y='column_B', ci=95)
plt.title('A 和 B 之间的关系')
plt.show()

探索性数据分析 (EDA)​

对此数据集执行完整的 EDA，包括：
1. 数据质量检查（缺失值、重复项）
2. 描述性统计
3. 数值列的分布图
4. 相关性热力图
5. 异常值检测

使用单元格输出作为上下文​

笔记本中的内联 AI​

  1. 运行产生输出的单元格（表格、图表等）
  2. 点击单元格工具栏中的 AI 按钮
  3. 询问有关输出的问题：
这些相关性值对特征重要性有何启示？

笔记本级上下文​

在聊天中使用 @notebook 引用整个笔记本：

@notebook 审查迄今为止的所有分析，并建议构建预测模型的下一步。

高级功能​

变量检查器​

  1. 运行一些单元格以创建变量
  2. 打开变量检查器：
    • 视图 > 外观 > 显示变量检查器
  3. 查看所有活动变量、它们的类型和值

调试笔记本​

  1. 在代码单元格中设置断点
  2. 点击单元格工具栏中的 调试单元格
  3. 使用 F10/F11 逐步执行
  4. 在调试侧边栏中检查变量

导出​

格式命令
HTML文件 > 导出笔记本为 > HTML
Python文件 > 导出笔记本为 > Python 脚本
PDF文件 > 导出笔记本为 > PDF
Markdown文件 > 导出笔记本为 > Markdown

最佳实践​

组织分析​

# 数据分析笔记本

## 1. 设置
导入库并加载数据

## 2. 数据质量检查
检查缺失值、重复项和数据类型

## 3. 探索性分析
可视化分布和关系

## 4. 特征工程
创建新特征并转换现有特征

## 5. 建模
构建和评估预测模型

## 6. 结论
总结发现和建议

使用 Markdown 单元格编写文档​

  • 解释每个部分的目的
  • 记录假设和决策
  • 为未来的读者添加上下文

分享前清理输出​

  1. 清除所有输出：
    • 笔记本菜单 > 清除所有输出
  2. 重启内核：
    • 笔记本菜单 > 重启内核
  3. 运行所有单元格：
    • 笔记本菜单 > 运行全部

故障排除​

问题解决方案
内核无法启动检查 Python 路径和虚拟环境
导入失败在正确的环境中安装包
输出不显示重启内核并重新运行单元格
笔记本无法保存检查文件权限
AI 看不到单元格输出使用 @notebook 或手动选择输出

示例工作流程​

# 单元格 1：设置
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 单元格 2：加载数据
df = pd.read_csv('sales_data.csv')
print(f"Shape: {df.shape}")
df.head()

# 单元格 3：快速分析
df.describe()

# 单元格 4：向 AI 询问洞察
# 选择单元格 3 的输出，然后询问：
# "您在此数据中看到了什么模式？"

# 单元格 5：可视化
plt.figure(figsize=(12, 6))
sns.lineplot(data=df, x='date', y='revenue')
plt.title('Revenue Over Time')
plt.show()

相关资源​