[R]R的工作流

最近处理数据时，一直在纠结程序的结构该如何构建，以减少很多简单又很耗时的工作。

刚好把Rob J Hyndman的blog给浏览了一遍，发现一篇2009年的文章，很有启发。

原文： Workflow in R

下面简单翻译一下：

----------------

问题最初出现在StackOverflow上。我认为其中一个回答非常有启发，值得与各位分享。

该回答建议将代码分成四个文件，存储在同一个项目文件夹中。这四个文件以如下顺序执行：

load.R

这个文件包含所有关于载入数据的代码。通常情况下，它都是一个从文件中读取数据的小文件。

clean.R

在这个文件中，对数据进行预处理，如处理缺失值，合并数据框，处理异常值。这个文件运行后，数据应该完成清洗，能够直接使用。预处理放在这里做，而不是放在原始载入数据那里，是因为这样可以完整记录你对数据做过的所有操作。

function.R

所有做实际分析时需要用到的函数都存储在这里。这个文件只做一件事情：定义数据分析时需要用到的函数(假设在载入或清洗数据，需要require自己的函数，可以将其包含在load.R或clean.R的头部)。需要特别指出的是，function.R不会对数据做任何改动。这意味着，你在修改这个文件后，不需要回头重复前面1&2步的步骤。而前两步在处理大数据集的时候，通常需要花费大量时间。

do.R

这个文件是实际做分析的代码。这个文件会使用function.R中定义的函数去计算数据，生成图形或图表等。报告或论文中所有的图表都应该在在这里编码生成。绝不要手工(即鼠标或菜单)生成图表，因为这会使图表的再生成变得麻烦。

建议以上的每个文件运行过之后，都存一次工作空间(workspace)。

这样做有许多好处。

首先，当你在后续步骤中做了更改，无需每次重载之前的数据。

其次，当你回顾一个旧的项目时，能够以一个相对快的过程去了解这个项目都做了什么事情 。

同时它也迫使你对将要做的事情有一个结构性的思考，这十分有用。

通常你会要写一段很小块的代码，不要用完就算了，也不想着去删除这些代码。这些代码要么需要特别注释，或者给它一个名称然后保存到文件中。所有的分析工作，从读取数据到产生最终的成果，应该都能够通过source()以上四个文件，反复生成，无需任何人工介入。

我将以上流程在我的几个项目上实战了一下， 发现流程有些太拘束。尤其我的do.R文件通常会变得大且笨重。

因此，我现在在使用下述流程：

main.R

这个文件只包含一些source语句，按顺序执行其他要用到的R文件。

functions.R

和上面一样，所有执行分析时需要用到的函数都放在这里。这个文件只定义分析过程中需要用到的函数，不做其他任何事情。

xxx.R

其他所有代码都被我放在形似xxx.R的文件中，由main.R按顺序依次调用。这些文件的数量和内容视项目而定。

通常会包含上面提到的load.R和clean.R文件。我通常会使用多个文件来做实际的分析工作。(而不是全都放在do.R中)

这个流程的重点是，执行main.R会将项目从头执行到尾。当数据更新，或函数改变时，这样只要source(main.R)就能一步再次执行整个分析过程。

同时保持R文件整齐、文档化是个很重要的规则。这样当你回顾你一年前写过的代码时，你才能够很快知道各部分代码是干嘛的。这意味着需要你插入注释，并删除那些没有用的代码。