VS Code使用Jupyter Notebook处理数据时卡顿无响应问题求助

针对10万+数据量执行df.dropna()导致VS Code卡顿甚至系统报错的问题，核心原因是全量空值清理操作占用过多内存/CPU，超出当前Jupyter进程或系统的资源承载能力，以下是可落地的解决步骤：

• 先排查空值分布，精准清理
  不要直接执行全量df.dropna()，先运行df.isnull().sum()查看各列空值数量。如果只有少数列存在大量空值，仅针对这些列做清理：

  # 只删除指定列存在空值的行
  df = df.dropna(subset=['关键列1', '关键列2'])
  

  若某列空值占比极高，直接删除整列更高效：df = df.drop(columns=['空值列'])

• 分块处理大数据
  如果数据文件本身过大，改用分块读取+处理的方式，避免一次性加载全量数据到内存：

  chunk_list = []
  # 按1万行分块读取（可根据内存调整chunksize）
  for chunk in pd.read_csv('你的数据文件.csv', chunksize=10000):
      cleaned_chunk = chunk.dropna()
      chunk_list.append(cleaned_chunk)
  # 合并所有处理后的块
  df = pd.concat(chunk_list)
  

• 调高Jupyter内核资源限制
  打开VS Code设置（快捷键Ctrl+,），搜索Jupyter: Memory Limit，将默认值（通常是2GB或4GB）调高至更大值（比如8GB，根据你的电脑内存调整）；也可以在Jupyter内核启动参数中添加--memory=8G，给内核分配更多内存。

• 替换更高效的清理写法
  尝试用布尔索引代替dropna()，部分场景下底层执行效率更高：

  # 等价于df.dropna()，删除所有含空值的行
  df = df[df.notna().all(axis=1)]
  

• 释放系统资源
  关闭VS Code中未使用的扩展、后台运行的浏览器/其他软件，减少系统资源占用，让Jupyter进程有足够的CPU和内存完成操作。

内容的提问来源于stack exchange，提问作者Shubham yadav