第15章 编程的本质与基础¶
学习目标¶
- 理解编程在科研中的核心价值：可重复、可追溯、可扩展
- 掌握脚本化分析的基本结构
- 建立最小可行的调试与报错定位方法
关键概念¶
- 输入-处理-输出 (IPO)
- 变量与数据结构
- 函数与模块化
- 工作目录与路径
- 调试 (Debug) 与日志 (Log)
- 版本控制意识
正文¶
编程的本质：把“想法”变成“可执行流程”¶
在科研中，编程不是炫技，而是把你的研究流程写成一份任何人都能执行的“标准操作说明书”。
口头流程通常是：
“先清洗数据，再算指标，再做统计，最后画图。”
脚本化流程应该是：
- 读取哪些原始数据。
- 清洗规则是什么。
- 指标如何计算。
- 统计模型如何设定。
- 输出到哪里、叫什么名字。
科研脚本的最小结构¶
任何语言都可以按同一模板组织。
1) 配置区: 路径、参数、随机种子
2) 读入区: 数据读取与格式检查
3) 处理区: 清洗、转换、计算指标
4) 分析区: 统计检验 / 建模
5) 输出区: 表格、图、日志、模型对象核心目标是：每次运行得到一致、可解释的结果。
为什么“可复现”比“跑通一次”更重要¶
只跑通一次，常见问题是：
- 你下周重跑就忘了自己改过什么。
- 同门拿到脚本无法直接复现。
- 投稿审稿要求复现实验时无法提供清晰证据链。
可复现脚本要求你做到：
- 固定输入：数据源明确。
- 固定流程：步骤顺序固定，不靠手动点点点。
- 固定输出：命名规范，可自动覆盖或版本化保存。
编程基础能力：你真正需要掌握什么¶
1. 变量与数据结构¶
- 标量：单个值（如一个被试年龄）。
- 向量/数组：一组同类型数据（如一列反应时）。
- 表格数据：行=观测，列=变量（科研最常见）。
建议优先理解“每列是什么变量、每行是什么观测单位”。
2. 条件与循环¶
- 条件：根据规则筛选或分支处理。
- 循环：对被试、文件、试次重复同一处理。
任何批处理都离不开这两个结构。
3. 函数化思维¶
把重复出现的逻辑封装成函数。
好处：
- 避免重复粘贴代码。
- 统一修改入口。
- 让主脚本更清晰。
4. 路径意识¶
科研报错里，路径错误占比很高。
- 使用项目相对路径优先。
- 不把个人电脑绝对路径硬编码到共享脚本。
- 明确当前工作目录（working directory）。
调试：如何快速定位问题¶
推荐使用“三步法”：
- 先读报错最后一行：通常给出最直接的失败原因。
- 定位触发位置前后几行：检查变量名、类型、路径。
- 最小复现：抽出最小代码片段单独运行。
常见错误映射：
| 错误现象 | 常见原因 | 处理方向 |
|---|---|---|
| 包找不到 | 环境没装或装错环境 | 切换/安装正确环境 |
| 文件找不到 | 路径或工作目录错误 | 打印当前目录并检查相对路径 |
| 结果全是 NA/NaN | 清洗逻辑或类型转换错误 | 分步检查中间结果 |
| 图画不出来 | 数据为空或字段名不一致 | 先输出 head/summary 检查数据 |
代码风格与命名规范¶
建议使用可读性优先的命名：
- 变量名体现含义，如
rt_ms,choice_prob。 - 中间结果分层命名，如
df_raw,df_clean,df_summary。 - 脚本按功能命名，如
01_clean.R,02_model.py,03_plot.R。
注释应解释“为什么这样做”，而不只是“这里在赋值”。
最小版本管理意识¶
即使暂时不用完整 Git 工作流，也建议：
- 每次关键修改前备份一个可运行版本。
- 修改后写一段变更记录（做了什么、为什么）。
- 重要结果文件保留时间戳。
这会显著减少“我改坏了但不知道哪里坏了”的时间成本。
小结¶
- 编程的核心不是语法，而是把研究流程工程化。
- 一个好的科研脚本应该可重复运行、可追踪、可调试。
- 先建立结构化习惯，再追求语言高级技巧。
练习与思考¶
- 把你最近做过的一次分析写成
输入-处理-输出三段流程。 - 找出你现有脚本里重复出现的代码，尝试封装成一个函数。
- 故意制造一个“路径错误”，练习用三步法定位并修复。