第一章：Saving source and blank slates
1.1 保存源码而不是工作空间（save source, not the workspace）
把你的R进程看作是畜生，而不是宠物
我借用了一个比喻来描述云计算的精神。牲畜是成群饲养的，当个体死亡或必须牺牲时，很少有人大惊小怪。而宠物是独特而珍贵的。
为什么在云计算中单个服务器是一次性的? 因为它们可以在任何时候被销毁和替换，而且通常会有很多机器。它们的创建是自动化的，它们所做的工作的结果被记录在文件或其他持久数据存储中。
我建议你培养出一个工作流程，在这个流程中，你对待R过程(或者说“sessions”)就像对待牲畜一样。任何单独的R过程和相关的工作空间都是一次性的。 如果你的工作空间是一个宠物，这听起来很糟糕，比如，它拥有珍贵的物品，而你不能100%肯定你能复制它们。这种担心是值得的，因为对工作空间的依赖表明您有一个不可复制的工作流。
所有真正重要的事情都应该通过您保存的代码来实现。
所有重要的对象或图形都应该保存到文件中。这与将它们隐式或显式地存储为整个工作空间的一部分或通过鼠标保存它们形成了对比。这些建议使有用的对象可以随时用于其他脚本或文档，同时还保证可以按需重新生成它们。
保存代码——而不是工作空间——是非常重要的，因为这是对可重复性的绝对要求。放弃。rdata和重新启动R通常不是本质上重要或道德上优越的行为。它们很重要，因为它们为您提供了持续的压力，让您做正确的事情:保存创建分析的所有重要工件所需的源代码。下面我们列出了采用这一工作流程的具体措施。
1.2 使用IDE（Use an IDE）
使用R时，将命令保存在.R文件中，也就是脚本中，或者保存在. rmd中，也就是R markdown文档中。
集成开发环境(IDE)对于使这个工作流程变得令人愉快是至关重要的。如果没有IDE，你可以在一个应用程序中编辑代码，将一行或多行复制到剪贴板，然后粘贴到R中，然后执行。一遍又一遍。如果这就是你的生活，那直接在R中输入代码是很有吸引力的!
任何好的IDE都提供了一个强大的、支持R的代码编辑器，并提供了许多将代码发送到正在运行的R进程的方法(以及其他现代化的便利)。这消除了在R控制台中直接开发代码的诱惑。相反，更容易做正确的事情，即在. r或. rmd文件中开发代码。
一些流行的IDEs：
- RStudio
- Emacs
- vim
- Visual Studio
有时人们拒绝这些建议，因为很难将其融入到他们当前的工作流程中去，并且认为它“只适合专家”。但是，他们将因果关系颠倒过来了:长期和专业的程序员不会做这些事情，因为他们使用IDE。他们使用IDE是因为它使实践变得更加容易。
1.3 Always start R with a blank slate
退出R时，不要将工作区保存到. rdata文件中。启动时，不要从. rdata文件重新加载工作区。
- RStudio, 设置 Tools > Global Options
- 如果从shell运行R，则使用R --no-save --no-restore-data 。你可能需要在.bash_profile: alias R='R—no-save—no-restore-data'中定义一个别名。
1.4经常重启R（ restart R often during development）
如果使用RStudio，请使用菜单 Session > Restart R或 键盘快捷键 Ctrl+Shift+F10(Windows and Linux) 或Command+Shift+ F10(Mac OS) ,
在R脚本中，使用Ctrl+Alt+B (Windows和Linux)或Command+Option+B (Mac OS)
在R markdown中，使用Ctrl+Alt+P (Windows和Linux)或Command+Option+P (Mac OS)
如果从shell运行R，请使用Ctrl D或q()退出，然后重新启动R。
1.5 rm(list = ls()) 到底是什么意思
我们经常可以看到这句话
rm(list = ls())
这高度暗示了一个不可复制的工作流。
这行命令就是为了重置，要么是重启当前的分析，要么是从一个项目切换到另一个项目时用到。
它所做的就是从全局工作区中删除用户创建的对象。
1.6 创建对象耗时太长（Objects that take a long time to create)
如果有些部分执行起来耗时太长，那么重跑一遍你的流程可能会非常痛苦。
这表明是时候采用模块化方法将分析分解为自然阶段了，每个都有一个关联的脚本和输出。将每个需要计算的步骤都保存在自己的脚本中，并编写要使用的对象
saveRDS(my_precious, here("results", "my_precious.rds"))
这样你就可以在做下游分析的时候重新load一下
my_precious <- readRDS(here("results","my_precious.rds"))
1.7 Automated workflows(使工作流程自动化)
自动化工作流的方法多种多样，例如，按顺序运行一组脚本。许多人可以使用低技术的解决方案，比如使用GNU Make，甚至在R中编写伪makefile。
如果您使用一个“控制器”脚本来运行其他R脚本或render多个R Markdown文件，最好强制为每个R process使用一个新的R process。如果你的控制器脚本是用R编写的，那么可以考虑使用callr包在自己的R会话中对每个工作脚本或. rmd进行source()或render()。
作为工作流自动化的正式工具(有点像GNU make，但是是R)， drake包正在获得越来越多的关注：
它分析您的工作流程，用up-to-date跳过结果步骤，并用可选的分布式计算编排其余的步骤。