具有R的项目组织

可能重复：

我用R编程的时间不长，但遇到了一个项目组织问题，我希望有人能给我一些建议。我发现我做的很多分析都是临时性的：也就是说，我运行一些东西，思考结果，仔细观察，再运行一些。这在概念上与C++语言不同，在这里你考虑在编码之前要运行的全部内容。这是解释语言的巨大好处。然而，出现的问题是，我最终保存了很多.RData文件，这样我就不必每次都

source

我的脚本。有没有人对如何组织我的项目有什么好的想法，这样我可以在一个月后返回，并且对每个文件都有一个好的想法

我想这是一个文档问题。我是否应该在每个阶段记录我的整个项目，并积极清理那个些不再必要但却是研究副产品的文件？这是我目前的系统，但有点麻烦。其他人还有其他建议吗

---

根据下面的评论：我试图避免的一个关键问题是.R分析文件和.RData集的激增。

关于研究项目组织的一些想法：

带回家的信息是：

• 对程序使用版本控制
• 使用合理的目录名
• 对元数据使用版本控制
• 实际上，版本控制是一件好事

---

关于研究项目组织的一些想法：

带回家的信息是：

• 对程序使用版本控制
• 使用合理的目录名
• 对元数据使用版本控制
• 实际上，版本控制是一件好事

---

我的分析是一个

knitr

文档，其中包含一些从中调用的外部.R文件

所有数据都在数据库中，但在分析过程中，处理后的数据保存为.RData文件。只有当我删除RData时，当我再次运行分析时，才会从数据库中重新创建它们。有点像缓存，当我重新运行（部分）分析时，可以节省数据库访问和数据处理时间

使用

knitr

（

swave

等）文档进行分析，可以轻松编写包含结果的文档化工作流。knitr缓存分析的结果，因此小的更改通常不会导致完全重新运行所有R代码，而只会导致一小部分代码。为更大的分析节省了相当多的运行时间

---

（啊，如前所述：使用版本控制。另一个提示：使用knitr和版本控制在RStudio中非常容易。）

我的分析是一个

knitr

文档，其中包含一些从中调用的外部.R文件

所有数据都在数据库中，但在分析过程中，处理后的数据保存为.RData文件。只有当我删除RData时，当我再次运行分析时，才会从数据库中重新创建它们。有点像缓存，当我重新运行（部分）分析时，可以节省数据库访问和数据处理时间

使用

knitr

（

swave

等）文档进行分析，可以轻松编写包含结果的文档化工作流。knitr缓存分析的结果，因此小的更改通常不会导致完全重新运行所有R代码，而只会导致一小部分代码。为更大的分析节省了相当多的运行时间

---

（啊，如前所述：使用版本控制。另一个提示：使用knitr和版本控制在RStudio中非常容易。）

您读过这篇文章了吗？没有，我没有碰到它。让我读！谢谢2美分：不管怎样，您编写的每个函数都应该包含文档。以后你会为此感谢自己的。清理后的数据还应序列化（saveRDS），以便于将来使用。其他一切都应该是函数，或者逐行分析。这里没有对、错或“最好的”，只有偏好。话虽如此，如果你要经历编写文档的麻烦，不妨实施更改管理（git，其他）并打包你的分析。我阅读了saveRDS的文档，但我不明白这与save有什么不同。在saveRDS情况下还原对象时，唯一的区别是对象的名称可能不同吗？一个用于对象（RDS），另一个用于环境（save/load）您读过了吗？没有，我没有碰到它。让我读！谢谢2美分：不管怎样，您编写的每个函数都应该包含文档。以后你会为此感谢自己的。清理后的数据还应序列化（saveRDS），以便于将来使用。其他一切都应该是函数，或者逐行分析。这里没有对、错或“最好的”，只有偏好。话虽如此，如果你要经历编写文档的麻烦，不妨实施更改管理（git，其他）并打包你的分析。我阅读了saveRDS的文档，但我不明白这与save有什么不同。在saveRDS情况下还原对象时，唯一的区别是对象的名称可能不同吗？一个用于对象（RDS），另一个用于环境（保存/加载）