我正在编译我在SO（@Shane 建议）、Biostar（以下简称 BS）和这个 SE上找到的一系列快速指南。我尽力确认每个项目的所有权，并选择第一个或高度赞成的答案。我还添加了我自己的东西，并标记了特定于 [R] 环境的项目。

数据管理

• 创建一个项目结构，将所有东西放在正确的位置（数据、代码、图形等，giovanni / BS）
• 切勿修改原始数据文件（理想情况下，它们应该是只读的），在进行转换、清理等时复制/重命名为新文件。
• 检查数据一致性（whuber /SE）
• 使用构建自动化工具管理脚本依赖项和数据流，例如 GNU make ( Karl Broman / Zachary Jones )

编码

• 以逻辑单元或构建块组织源代码（Josh Reich / hadley / ars /SO; giovanni / Khader Shameer /BS）
• 将源代码与编辑内容分开，特别是对于大型项目——部分与以前的项目和报告重叠
• 记录所有内容，例如 [R]oxygen ( Shane /SO) 或源文件中的一致自注释——关于 Medstats、记录分析和数据编辑选项的良好讨论
• [R] 自定义函数可以放在一个专用文件中（可以在必要时获取），在一个新环境中（以避免填充顶级命名空间，Brendan OConnor /SO），或者一个包（Dirk Eddelbuettel /肖恩/SO)

分析

• 不要忘记设置/记录您在调用 RNG 或随机算法（例如 k-means）时使用的种子
• 对于蒙特卡罗研究，将规格/参数存储在单独的文件中可能会很有趣（苏门答腊可能是一个很好的候选者，giovanni / BS）
• 不要将自己限制在每个变量一个图上，使用多变量（Trellis）显示和交互式可视化工具（例如 GGobi）

版本控制

• 使用某种版本控制来轻松跟踪/导出，例如 Git（Sharpie / VonC / JD Long /SO）——这源于@Jeromy 和@Tal 提出的好问题
• 定期备份所有内容（Sharpie / JD Long /SO）
• 记录你的想法，或者依赖问题跟踪器，比如ditz ( giovanni /BS)——因为它在 Git 中可用，所以与上一个项目部分冗余

编辑/报告

• [R] Sweave ( Matt Parker /SO) 或更现代的knitr
• [R] 酿造 ( Shane /SO)
• [R] R2HTML或ascii

作为旁注，Hadley Wickham 提供了R 项目管理的全面概述，包括可重复的示例和统一的数据哲学。

最后，在他的面向 R的统计数据分析工作流程中， Oliver Kirchkamp 提供了一个非常详细的概述，说明为什么采用和遵守特定的工作流程将有助于统计学家相互协作，同时确保数据的完整性和结果的可重复性。它还包括一些关于使用编织和版本控制系统的讨论。Stata 用户可能会发现 J. Scott Long 的The Workflow of Data Analysis Using Stata也很有用。

这并没有具体提供答案，但您可能想查看这些相关的 stackoverflow 问题：

• “统计分析和报告撰写的工作流程”
• “组织 R 源代码”
• “如何组织大型 R 程序？”
• “独立数据分析师的 R 和版本控制”
• “软件开发与统计编程/分析相比如何？”
• “您如何将 R 的“修订控制”与“工作流程”结合起来？”

您可能还对John Myles White 最近创建统计项目模板的项目感兴趣。

这与 Shane 的回答重叠，但在我看来，主要有两个方面：

• 再现性；不仅因为您不会以“不知何故”的结果结束，而且还能够更快地重新运行分析（在其他数据或稍微更改的参数上）并有更多时间考虑结果。对于庞大的数据，您可以先在一些小的“游戏集”上测试您的想法，然后轻松扩展整个数据。
• 良好的文档；评论版本控制下的脚本，一些研究期刊，甚至更复杂项目的票证系统。提高可重复性，使错误跟踪更容易，编写最终报告变得微不足道。

van Belle是成功统计项目规则的来源。