如何建立一個資料科學項目管理？建立的标準又是什麼？
我想大多數人至少承認這一點：“你的研究需要讓其他人能夠輕松地了解你在項目中做了什麼，并能複制這些結果”。
此外，你還得對檔案的命名方式多加注意，具體做法如何，我們一起來看看吧。
研究結果的可複制性和分享性
首先，你所做的項目必須具有非常強的可複制性以及可分享性，因為隻有這樣才能讓你的同行檢驗項目的成果。
例如，杜克大學的研究人員曾經發表了一項關于将個人基因資訊用于患者化療的研究。來自MD Anderson癌症研究中心的兩位研究人員Baggary和Coombs想要對研究進行複現。但是複現之前必須擷取資料和代碼是必須的。
經過數月的時間，終于，這兩位認真的研究人員拿到了想要的資料和代碼。雖然，拿到的時候這些資料還是未經整理、雜亂無章的。
又經過很長時間的實驗驗證，這兩位研究人員發現已發表的研究中的代碼出現了一個錯誤，這個錯誤嚴重到研究的成果會将患者置于危險境地。
是以，幾個月份來，兩位研究者一直在對一項錯誤的研究進行複現，更重要的是，他們大多數的時間花費到了“無意義”的資料收集與整理上。
這就是弱分享性以及弱複制性帶來的危害，驗證明驗結果可能花費不了多少成本。但是由于研究作者對資料的保護，使得你需要用更長的時間收集相關資料。
那麼，為什麼研究者大多不願意分享研究資料呢？
當你聯系一個研究員想要獲得他的研究的源代碼和初始資料時，你需要解釋你是誰，你為誰工作，為什麼需要這些資料，以及你要如何處置這些資料。
另外，你還經常收到如下回複：
我不得不說如果沒有解釋的話，這就是一個不太正常的要求。請讓你的導師發一封詳細的，我再強調一遍，詳細的郵件給我來解釋一下。
這些資料檔案是我們的資産，并且不是免費使用的，是以請告訴我們你想要用這些檔案來做什麼，然後我們看看可以如何幫到你。
我們通常不會将我們的内部資料分享給非合作機關。
這些代碼是我和同僚多年努力的結晶，這些資料也是我與合作者們千辛萬苦花了很長時間收集到的，是以也需要得到他們的允可。
通常我們不會提供這類資料給不認識的人。可能你想要查驗資料分析，這可能對于我們也有用，但是在你發表你的研究時請恰當地提到我們。.
感謝你對我們的文章感興趣。在計算中我用的是我們自己的代碼，目前還沒有公共版本可供下載下傳。鑒于目前的代碼不是很易用，而且還在持續改進中，是以我傾向于暫不分享。
很抱歉我們的代碼在建立時并沒有想過給他人使用。代碼現在并未文檔化，我們也沒有時間和資源來文檔化。如果你有一個特别的計算要做，且不是我們現在做的東西的主要延伸的話，我們可以幫你跑這個代碼。
R是一個免費的軟體，你可以在www.r-project.org/找到。我用R是因為XX模型。你可能有所了解XX和XX十分複雜。但是我可能不必說這些你已經是個統計學學生了。我都是用Matlab來處理幾何的問題。
是以，建議你在閱讀研究成果時，先看是否有一份附有所有的原始資料和代碼的可重複性聲明。如果沒有看到一份這樣的東西，你可以暫時忽略這個研究。
可重複使用說明範例
不能讓你的項目具有可複制性是學術上的不端行為，可能會産生嚴重的後果。例如“未能妥善記錄和儲存研究成果”是近日康奈爾大學研究員Brian Wansink的受到的不光彩的指控之一 。
在Daniele Procida關于軟體文檔的黃金标準上，他很好地總結了這一點：
“不管你的軟體有多好，如果說明文檔不夠好，人們就不會使用它。即使出于某種原因，人們沒有選擇而不得不使用它，沒有好的說明文檔的話，大家也不能有效地使用它，更不會按照你希望的方式使用它。”
是以，遵循Procida先生的明智建議，你的研究需要讓其他人能夠輕松地了解你在項目中做了什麼，并能複制這些結果。這對于現在和同僚的合作至關重要，也對後人有很大幫助(例如，未來某一天你要重新運作一個六個月沒碰過的分析的時候，或者任何其他研究員想要重新看一看你的工作的時候)。Leek認為 “花費資料科學項目中10-20%的時間來對你的工作進行組織與文檔化”是非常重要的。
檔案命名
檔案的命名的方式在資料科學項目中也是非常重要的。
一位對R語言腳本設計、工作流程和檔案組織與命名方面頗有見地的資料科學家Jenny Bryan認為有三個原則是必須遵守的：
- 機器可讀
- 人類可讀
- 很好地處理預設排序
為了機器的可讀性，我們希望避免空格、标點符号、句号和任何其他特殊字元(除了“_”和“-”)。
針對人類的可讀性，需要您給檔案賦予有意義的名稱。當命名R對象時，如果包含了注釋的話，縮寫對象名稱的也是可以的。例如，cv_perf_Recoke_rf是對随機森林模型的每個交叉驗證的驗證召回的計算。
但是在命名檔案時，我建議除非絕對必要，不要使用縮寫詞；如果使用了的話，請在自述檔案中列明這些資訊。
另外一個建議是将日期和數字放在檔案名的開頭。始終使用ISO 8601的日期格式(yyyy-mm-dd)和左起帶0的數字。數字的最大位數取決于一共要生成多少個檔案。假設你想要儲存100個建築MRI圖像檔案，那麼它應該看起來如此001_t1_mri.nii.gz。假設你認為你實際上會生成1000個檔案，它看起來應該如此0025_t1_mri.nii.gz。
Leek還指出，應該避免大小寫的敏感性，例如Esophageal-Cancer_Report.md（食道癌報告.md）顯然是一個可怕的檔案名(輸入這串包含大小寫的字母和字元真是累死了)。
你也可以用esophagealCancer_report.md，因為它更能看起來更令人愉快，也并未有Leek提到的風險；隻要不要忘記在linux中使用find指令時用-iname标志來忽略大小寫就好。如果你健忘，或者隻是效率很高(也就是懶)，你總是可以把它包含在.bashrc檔案中作為别名。
讓檔案名以大寫字母開頭顯然是個壞主意，因為它會導緻你需要額外的按鍵來生成大寫字母(例如Shift)。然而，使用camelCase方式，您可以通過使用頁籤來自動完成以避免額外的按鍵。
OMT
如果你使用R，你應該讀一讀Jenny Bryan的here()包，它消除了setwd()可能導緻的麻煩的工作流程問題。
另外，建議大家去閱讀她的部落格文章“面向項目的工作流程”它清楚明白的告訴我們更多關于“怎樣做”以及“為什麼這樣做”的資訊。
原文釋出時間為：2018-10-27
本文作者：茶西、陳同學、Aileen
本文來自雲栖社群合作夥伴“
大資料文摘”，了解相關資訊可以關注“
”。