rstudio 修改代码间距_Rstudio中修改工作路径的三种方法

原文链接：Rstudio中修改工作路径的三种方法_weixin_44370085的博客-CSDN博客_rstudio改变工作目录​blog.csdn.net

Rstudio中修改工作路径的三种方法

1.使用setwd()函数

这个也可以在RStudio的图形化窗口里操作选择对应的文件夹然后选择Set As Working Directory

作用：起到临时更改路径的作用，只对当前的Rstudio窗口有效。一旦窗口关闭，又会回到默认路径下。getwd()函数是获取当前路径的函数。

2.global options设置(如图所示)

首先在tools菜单栏下，点击global options选项

然后在default working directory 中可以修改默认工作路径，点browse修改工作路径

最后保存，重新打开Rstudio后工作路径就变成已修改的路径了。

3.通过启动代码设置

首先在Rstudio关联的R版本中，打开“D:\Program Files\R\R-3.4.3\etc”文件夹下的Rprofile.site文件

其次将下述代码复制到Rprofile.site文件中

.First

setwd(“d:/rdata”)

}

其中工作路径可以按照自己的要求改变

原理：R工作时首先加载.first功能

----------2020年7月10日----------

R Project管理(经评论区指导)

使用项目结构管理的效率比直接创建R脚本的效果好。

参考链接：R基础 | 学会使用R project及R项目结构示例​www.jianshu.com

当我们分析项目的时候，最好是用文件夹+Project的形式来组织内容。

从零新建R项目

如果是比较大的分析项目最好在一开始就保存为一个rproject。

1.右上角Project右侧倒三角，菜单中点击New Project可以创建新项目。image.png

横线下面的是已经创建过的项目名，可以点击切换到其他项目。

2.创建新项目时需要指定一个文件夹，最好是一个新的文件夹。以后产生的R代码，图片都会默认存在这个文件夹下。

从存在文件夹创建R项目打开RStudio 点击 File -> New Project....

选择Existing Directory

点击 Browse ，找到自己的项目文件夹

最后点击 Create Project.

.

└── my_awesome_project

├── src

├── output

├── data

│ ├── raw

│ └── processed

├── reports

├── README.md

├── analysis.R

└── .gitignore

data文件夹

按需求可有这些子文件夹raw：对用户write-only，对R user read-only

temp：临时数据

output

src 文件夹

因为可能会有其他非R脚本，因此文件夹不写作R。

脚本组织方式：library模式：按照分析内容的不同来分成不同子文件夹(ETL，transformation，plotting)。

pipeline模式：有一个主要的runner script，将所有脚本按顺序执行。

无论哪种方式，都要将函数定义和应用分开。也就是说，只有pipeline或runner scripts用来执行函数，其他的都是定义函数的。

另外脚本的组织可以视项目大小定。所有函数定义脚本放在src的子文件夹中(按用途分类命名文件夹，比如src/data_engineering)。将直接执行的脚本直接放在src下。适合较大的项目。

将函数定义脚本放在src下，而执行脚本analysis.R放在根目录。适合小的项目。执行脚本可能像下面这样：

library(some_package)

library(some_other_package)

source("R/functions.R")

source("R/utilities.R")

output文件夹

一般把输出图放在output/plots下面。

reports文件夹

报告pdf放在reports/下面，reporting code放在src下面。

requirements and general settings

如果只是用某个包中的某个函数，不需要library整个包。package::function(arg1, arg2, ...)就可以了。

可以有一个requirements.R, 在所有脚本前执行。这个脚本中放一些基础设置，比如locale。还有CRAN install check。但更建议用Packrat。

## This is our requirements.R script

## TODO : include an `InstalledPackage` fallback

require(googleAnalyticsR)

require(lubridate)

require(dataframes2xls)

require(ggthemr)

require(plyr)

require(dplyr) # need to load plyr before dplyr & not the other way!

require(tidyr)

require(stringr)

# require(bigQueryR)

require(janitor)

packrat

与别人分享代码的时候，常常由于每个人机器上的R版本以及安装的R包的版本不一致，导致程序无法运行，常常看到的错误信息是，你所运行的R包不支持3.X.X版本。将自己项目使用的包打包，这样别人就可以顺利的复现自己的结果了。

packrat的优点：独立：为一个项目安装新的或不同版本的包不会影响其他的项目。它让每一个项目都有自己独立的包库。

便携：可以方便的将自己的项目从一台电脑转移到另一台电脑，甚至跨平台。

可重复：它记录你需要的每一个包的版本，并保证无论到哪里你都安装的是同样版本的包。

install.packages("packrat")

使用packrat要从创建项目初始开始。先新建项目文件夹。然后将这个文件夹初始化为packrat文件夹。

packrat::init("~/projects/packrat_try")image.png

Packrat project不同于R project的一点是，它有自己的库。在这个项目中安装的任何包都只针对这个project，而project外安装的所有包对这个project都不可用。

项目文件夹下多了packrat文件夹。里面主要存储安装包的信息。

checkpoint

checkpoint可以创建一个快照文件夹~/.checkpoint用来存包。

扫描我们的项目文件夹，通过library() and require()来确定我们用了哪些包

从MRAN 安装包install.packages()到我们自己的快照文件夹

将我们的CRAN镜像指向MRAN (修改options(repos))

创建和使用的代码是一样的。快照信息存在~/.checkpoint

library(checkpoint)

checkpoint("2015-04-26")

这两行代码放在自己的脚本的最上面。

两个包的区别

checkpoint基于server端，因此负担不在用户这里，而在服务器上。服务器每天会记录当天R所有包的版本号。代码创建者只需要记录快照日期，而使用者通过快照日期就可以安装和创建者版本一致的R包。

Packrat需要用户远程数据同步自己的Packrat文件和代码给另一个用户。 这是一个很繁重的过程。 但对于包的版本不是更新到同一天，或者有些包不在CRAN上面(github)，那么packrat更适用。