Natuurlijk! Hier is een uitgebreide gids om een Visual Studio Code (VS Code) workspace optimaal in te richten voor Python en Jupyter Notebooks, gericht op interactieve data-analyse en machine learning: 1. Workspace Instelling: - Maak een nieuwe workspace aan via File > Add Folder… en opslaan als .code-workspace. - Organiseer je projectmap met aparte mappen voor data, notebooks, scripts, modellen, etc. 2. Essentiële Extensies: - **Python** (Microsoft): Voor Python-ondersteuning, linting, debugging, en Jupyter-integratie. - **Jupyter** (Microsoft): Voor het openen, bewerken en uitvoeren van notebooks binnen VS Code. - **Pylance**: Voor snelle en rijke Python IntelliSense. - **GitLens**: Verbeterde Git functionaliteit inclusief inline annotaties. - **Remote - Containers** (optioneel): Voor consistente omgeving via Docker. 3. Instellingen: - Configureer de Python interpreter door `Ctrl+Shift+P` > Python: Select Interpreter. - Zorg dat notebooks automatisch de juiste kernel gebruiken, via de Jupyter kernel selectie. - Schakel linting en formatting in via settings.json: ```json { "python.linting.enabled": true, "python.linting.pylintEnabled": true, "editor.formatOnSave": true, "python.formatting.provider": "black", "jupyter.codeLenses": "run", "jupyter.enableScrollingForCellOutputs": true } ``` 4. Workflow voor Interactieve Data-analyse: - Gebruik Jupyter notebooks voor data exploratie en visualisaties. - Laad data met pandas, visualiseer met matplotlib of seaborn. - Gebruik `%matplotlib inline` voor inline grafieken. - Maak gebruik van magische commando's (`%timeit`, `%debug`, etc.) voor efficiëntie. - Sla belangrijke code op in Python scripts en roep deze aan vanuit notebooks indien nodig. 5. Machine Learning Workflow: - Organiseer je modellen in aparte mappen. - Gebruik notebooks voor experimenten en scripts voor productie. - Versioneer notebooks en scripts met Git. - Overweeg tools zoals DVC voor datavolumes en modelversies. 6. Debugging: - Debug Python scripts via de ingebouwde debugger (`F5`). - Voor notebooks: gebruik de interactieve debugging via de Jupyter extensie door cellen te selecteren en te debuggen. - Installeer `ptvsd` of `debugpy` voor remote debugging indien nodig. 7. Versiebeheer voor Notebooks: - Gebruik Git voor scripts en notebooks. - Voor notebooks: overweeg `nbdime` voor diff en merge van notebooks. - Voeg `.gitattributes` toe voor betere diff-weergave: ``` *.ipynb merge=union ``` en configureer Git om `nbdime` als diff-tool te gebruiken. 8. Extra Tips: - Automatiseer herhaalbare taken met Tasks (`tasks.json`). - Gebruik virtuele omgevingen (`venv` of `conda`) voor afhankelijkheden. - Voeg `.gitignore` toe om grote data en cachebestanden uit te sluiten. - Overweeg Jupyter Lab voor uitgebreide notebook functionaliteiten. Door deze setup te gebruiken, heb je een krachtige, overzichtelijke en efficiënte werkomgeving voor data-analyse en machine learning in VS Code.

Zeker! Hier is een complete setup voor Visual Studio Code om efficiënt te werken met Jupyter Notebooks voor data-analyse en machine learning: ## Essentiële Extensies **Core Extensies:** - **Python** (Microsoft) - vereist voor Jupyter ondersteuning - **Jupyter** (Microsoft) - kernfunctionaliteit voor notebooks - **Jupyter Keymap** (Microsoft) - JupyterLab-achtige shortcuts - **Jupyter Notebook Renderers** - voor betere weergave van outputs **Productiviteit Extensies:** - **GitLens** - geavanceerde Git-integratie - **Python Docstring Generator** - automatische docstrings - **Bracket Pair Colorizer** - betere code leesbaarheid - **Code Spell Checker** - spellingcontrole in code **Data Science Specifiek:** - **Excel Viewer** - CSV/Excel bestanden bekijken - **Rainbow CSV** - kleurgecodeerde CSV-bestanden - **Plotly Preview** - interactieve Plotly visualisaties ## Aanbevolen Instellingen (settings.json) ```json { "jupyter.interactiveWindow.creationMode": "perFile", "jupyter.sendSelectionToInteractiveWindow": true, "jupyter.askForKernelRestart": false, "python.defaultInterpreterPath": "~/venv/data-science/bin/python", "python.terminal.activateEnvironment": false, "jupyter.widgetScriptSources": ["unpkg.com", "jsdelivr.net"], "files.autoSave": "onFocusChange", "editor.formatOnSave": true, "python.formatting.provider": "black", "python.linting.enabled": true } ``` ## Optimale Workflow **1. Project Structuur:** ``` project/ ├── notebooks/ │ ├── 01_data_exploration.ipynb │ ├── 02_feature_engineering.ipynb │ └── 03_model_training.ipynb ├── src/ │ ├── data_processing.py │ ├── model_utils.py │ └── visualization.py ├── data/ ├── requirements.txt └── README.md ``` **2. Interactive Window Workflow:** - Gebruik `Ctrl+Shift+P` → "Jupyter: Create Interactive Window" - Selecteer code in .py bestanden en gebruik `Shift+Enter` om naar interactive window te sturen - Ideaal voor prototyping zonder notebooks te vervuilen **3. Keyboard Shortcuts:** - `Ctrl+Enter` - run huidige cel - `Shift+Enter` - run cel en ga naar volgende - `Alt+Enter` - run cel en voeg nieuwe toe - `Ctrl+Shift+-` - split cel ## Debugging Strategieën **1. Native VS Code Debugging:** - Plaats breakpoints direct in notebook cellen - Gebruik `Debug Cell` optie in de cel toolbar - Inspecteer variabelen in de Debug sidebar **2. %debug Magic:** ```python # In een cel wanneer er een error is: %debug ``` **3. Asserties en Tests:** ```python def test_data_quality(df): assert not df.isnull().any().any(), "Data bevat null values" return True # Gebruik in notebook test_data_quality(my_dataframe) ``` ## Versiebeheer Best Practices **1. .gitignore voor Notebooks:** ``` # Jupyter .ipynb_checkpoints *.ipynb_checkpoints/ # VS Code .vscode/ ``` **2. nbstripout voor Schone Notebooks:** ```bash pip install nbstripout nbstripout --install ``` **3. Notebooks Schoon Houden:** - Gebruik `Kernel → Restart & Clear Output` voor commits - Of gebruik pre-commit hook met nbstripout **4. Alternatieve Strategieën:** - **Jupytext**: Bewaar notebooks als .py scripts - **Papermill**: Parameterize en run notebooks via CLI - **Convert naar Scripts**: Bewaar productiecode in .py bestanden ## ML Workflow Tips **1. Experiment Tracking:** ```python # Gebruik MLflow of Weights & Biases import mlflow mlflow.start_run() mlflow.log_param("learning_rate", 0.01) mlflow.log_metric("accuracy", 0.95) ``` **2. Herhaalbaarheid:** ```python # Seed alles voor reproduceerbaarheid import random import numpy as np import torch def set_seed(seed=42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) ``` **3. Performance Monitoring:** ```python %%time # Timing voor individuele cellen # je code hier %%prun # Profiling voor gedetailleerde performance analyse ``` Deze setup combineert de flexibiliteit van Jupyter met de krachtige IDE-functionaliteiten van VS Code, waardoor je zowel snel kunt prototypen als professionele code kunt schrijven.