一些关于数据和代码管理的小思考
1、代码相关的建议
我们写代码的目的有1）清理数据；2）转换数据；3）从网页上爬取数据；4）整合数据；5）统计分析；6）建模；7）生成符合目标格式的结果；8）画图；9）挖掘写旧代码时的想法、思考为什么当下我们得到的结果与当时不同等等。
1.1 代码的可重复性使用问题
1、把所有可以自动化的东西自动化。
2、编写一个从头到尾执行所有代码的脚本。
交互模式:数据构建和统计分析应该存储在脚本中。例如：Stata中的.do 文件，R文件中的.r 文件等等。
3、不可重复的代码如何处理？
譬如想生成一组固定的随机数，则这段代码以后就不能重复使用；下次直接跑这段代码，会导致随机数会变，如果还覆盖了原始随机数，那么复原原始数据就很困难了。
建议：
1）在不可复制的代码之前加上注释→以提醒之后研究此代码的人不要跑注释中提到不可复制的那段代码；
2）如果用R语言，可以在生成随机数之前加上set.seed()，其中括号内的整数是可以随机设置的，其仅表示设置了一个随机整数。
1.2 了解该语言的特性
不管用什么语言，最应该一开始先了解该语言的数据结构和各类参数的设置。
1.3 用他人或自己构造的函数来简化代码
在R和Python中调用包里的函数就是用他人构造的函数来简化代码。
（之后争取补充R语言写函数的小技巧）
1.4给代码加上清晰的注释
在写摘要的时候，要消除冗余，记录核心即可；以提高清晰度；描述文字不能过于抽象。如果注释反而会增大理解难度，那么可以不写。
图 分步骤计算cronbach's alpha系数
图 写函数计算cronbach's alpha系数
2、变量名设置
2.1 除了临时演算，应避免使用无序字母直接给变量命名。
举例：假如在某次的统计分析中，我们把一系列变量命名为a、b、c、d等；这样处理看似简单省时，但相对应地会产生如下后果：在之后回溯代码时，我们就无法理解当时随意命名的变量代表什么含义，会加大后续处理的时间成本。
2.2 用不同软件处理变量时，要注意命名规则都不同，有的软件会区分大小写，有的软件有变量名长度的限制。
2.3 变量名要清晰简明
清晰简明的变量名不仅能够帮助我们自己回忆当时的命名逻辑，也可以帮助他人理解变量名的含义。可以利用缩小，或者英文单词的前几个字母来作为变量名。
2.4 规划系列变量
如果是系列变量，则可以借助“_”来规划系列变量的命名排列逻辑。
举例：用R软件计算跨年担保网络的统计指标时，可以将细分年份纳入变量名中。计算入度相关变量，我们可以将变量名设置为indegree_17、indegree_18等；同时可以写函数将变量批量命名。
3、代码和数据的管理
3.1 同任务下的数据管理
1、对同一批数据做数据分析、并相对应地生成不同格式的文件时，要注意，系列代码名、数据名尽可能做到同类可比。
2、批量运行整个文件下的文件前，要做检查。
3、我们在给数据集命名的时候可以加上时间，这样做有什么好处呢？
举例：某个数据地文件名里的时间是“220221”，但在文件夹中显示的最后修改时间是“220321”。则我们就要检查是否存在数据和版本不对应的问题。
3.2 数据的规范化与主键
1、将清理过的数据存储在具有唯一、不丢失键的表中。
举例：在合并多个年份的访员编码时，如果主键不唯一，那么在后期处理sas7bdat文件时，会造成数据错位的现象。
2、在你的代码管道中保持数据的规范化，可以将粗数据整理为由相应主键连接而得到的一系列规范的子数据，
4、数据集的自动化生成
4.1 用R语言合并同一个文件夹下的全部数据
library(rJava)
library(xlsxjars)
library(xlsx)
library(readxl)
library(data.table)
library(dplyr)
remove.packages("rJava")
Sys.setenv(JAVA_HOME='D:/Program Files (x86)/Java/jdk1.8.0_144/jre')
setwd('D:\\数据分析0612')
# 读取该工作空间下的所有文件名
filenames <- dir()
# 初始化数据框，用于后面的数据合并
data2 <- data.frame()
#通过循环完成数据合并
for (i in filenames){
# 构造数据路径
path <- paste0(getwd(),'\\',i)
#res <- c(res,path)
# 读取并合并数据
data2 <- rbind(data2,read_excel(path = path))
}
5、文档的版本
5.1 版本的管理
在写技术文档的时候，我们不太可能不做任何修改、一遍写完，故我们将报告的版本号整理在文档名中。
举例：修订“最高学历计算说明文档”。
我们将初稿命名为“最高学历计算说明文档_v1”，往后版本可以记录为v2、v3。
一般来说，每做一次修订就是一个version。假如涉及切换设备/或者处理完v2后，隔了很久再处理下一个版本v3，则可以对v2添加完成时间0603、0604等，以防止出现多个v2，v3不知道应该接在哪个v2后面。
5.2 多人协作
假如一个文档涉及多人协作时，则可以将修改人的缩写纳入变量名中
举例：多人合作完成“文本编码技术报告”，修改人有W、G、Q，各人都会对文件开启修订模式
第1版：W完成原稿，将报告命名为“文本编码技术报告0630”；
第2版：G完成一遍修改，将报告命名为“文本编码技术报告0702_G”;
第3版：假如在同一天，W也要完成一遍修改。如果她是在“文本编码技术报告0702_G”的基础上修改的，则将报告命名为“文本编码技术报告0702_G_W”；采用这种方式的话，下一个修改的人只用在“文本编码技术报告0702_G_W”的基础上修改就好了。如果她与G同步完成修改，即她是在“文本编码技术报告0630”修改的，则将报告命名为“文本编码技术报告0702_W”；采用这种方式的话，下一个修改的人则需要在自己修改前比对“文本编码技术报告0702_G”和“文本编码技术报告0702_W”这两个文件有什么差异。
第4版：Q完成原稿，将报告命名为“文本编码技术报告0705”
参考文献
1、Matthew Gentzkow,Jesse M. Shapiro,Chicago Booth and NBER.Code and Data for the Social Sciences: A Practitioner’s Guide.2014.
2、数据格式和数据读取 (20条消息) R语言——数据格式和数据读取_devoteto的博客-CSDN博客_r语言数据格式
3、R语言的高级数据结构 附代码｜详解R语言的高级数据结构 (baidu.com)
