R Academy · Lektion

R-projekter og håndtering af workspace

Opret RStudio-projekter, og håndtér .RData, .Rhistory og .Renviron.

Lektion 4 af 413 trin

R-projekter og håndtering af workspace er en gratis R Academy-lektion på CoddyKit. Dette er lektion 4 af 4. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i R Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. R Academy-kurset indeholder 4 lektioner i alt.

R-arbejdsområdet: .RData og .Rhistory

Som standard spørger R, om arbejdsområdet — alle objekter i hukommelsen — skal gemmes i en skjult fil kaldet .RData i arbejdsbiblioteket, når du afslutter R. Din kommandohistorik gemmes i .Rhistory. Disse filer indlæses automatisk i næste session.

Denne bekvemmelighed er også en faldgrube for reproducerbarhed.

# .RData: binary snapshot of all objects in the global environment
# .Rhistory: text file of every command you typed

# See what would be saved right now:
cat('Objects that would be saved:', length(ls()), '\n')
cat('Their names:', paste(ls(), collapse = ', '))

# Workspace saving is controlled by:
# Tools -> Global Options -> General -> Save workspace (NEVER recommended)
# Or at startup: R --no-save --no-restore

Hvorfor bør du undgå automatisk lagring af .RData?

Hvis du er afhængig af .RData, kan dine resultater ikke genskabes fra bunden. Objekter ophobes usynligt på tværs af sessioner, gamle variabler skygger for nye, og samarbejdspartnere kan ikke genskabe dit miljø. Løsningen er: Gem aldrig arbejdsområdet — genskab det altid ved at køre dine scripts.

# The recommended R startup setting (in RStudio):
# Tools -> Global Options -> General
#   Restore .RData at startup: UNCHECKED
#   Save workspace on exit: NEVER

# This forces you to write scripts that are fully self-contained.
# A fresh session that runs cleanly = reproducible analysis.

# Equivalent command-line flags:
# R --no-save --no-restore

cat('Always start fresh!')

rm() — ryd arbejdsområdet

rm(list = ls()) er den kanoniske måde at fjerne alle objekter fra det globale miljø på. Det simulerer en ny session uden at genstarte R. Den placeres ofte øverst i et script for at sikre en ren start ved hver kørsel.

# Create some objects
a <- 1
b <- 'hello'
df <- data.frame(x = 1:3)

cat('Before rm:', length(ls()), 'objects\n')

# Remove specific objects
rm(a, b)
cat('After rm(a,b):', length(ls()), 'objects\n')

# Remove ALL objects in global environment
rm(list = ls())
cat('After rm(list=ls()):', length(ls()), 'objects')

options() — globale sessionsindstillinger

options() styrer mange af R-sessionens globale funktioner. To af de indstillinger, der oftest sættes, er scipen (straf for videnskabelig notation) og digits (antallet af udskrevne betydende cifre). Sæt dem øverst i scripts for at sikre ensartet output.

# Default behavior:
cat(0.000123456, '\n')    # may show 1.23456e-04

# Suppress scientific notation (positive scipen = prefer fixed)
options(scipen = 999)
cat(0.000123456, '\n')    # now shows 0.000123456

# Control printed digits
options(digits = 4)
cat(pi, '\n')              # 3.142

# Check current options:
cat('scipen:', getOption('scipen'), '\n')
cat('digits:', getOption('digits'))

.Renviron — miljøvariabler

Filen .Renviron gemmer miljøvariabler, som R indlæser ved opstart. Det er det rette sted til hemmeligheder og konfigurationsværdier som API-nøgler, databaseadgangskoder og filsystemstier, så de holdes ude af din kildekode.

# .Renviron file (in ~ or project root):
# DATABASE_URL=postgres://user:pass@host/db
# OPENAI_API_KEY=sk-abc123
# DATA_ROOT=/data/shared

# Read in R:
db_url <- Sys.getenv('DATABASE_URL')
api_key <- Sys.getenv('OPENAI_API_KEY', unset = 'KEY_NOT_SET')

cat('DB URL set:', nchar(db_url) > 0, '\n')
cat('API key:', api_key)

# To edit .Renviron:
# usethis::edit_r_environ()   <- if usethis is installed
# file.edit('~/.Renviron')    <- base R

saveRDS() — gem ét objekt

saveRDS() serialiserer ét R-objekt til en .rds-fil. Det er den foretrukne måde at cache resultater af beregninger, der tager lang tid, på, fordi filen gemmer præcis ét objekt, og du har fuld kontrol over, hvad du gemmer og indlæser.

# Create an object to save
result_list <- list(
  model   = 'linear_regression',
  r2      = 0.87,
  rmse    = 12.4,
  created = Sys.time()
)

# Save to disk
tmp_rds <- tempfile(fileext = '.rds')
saveRDS(result_list, file = tmp_rds)
cat('Saved to:', tmp_rds, '\n')

# Load it back (even in a fresh session)
loaded <- readRDS(tmp_rds)
cat('R-squared:', loaded$r2)

readRDS() — gendan ét objekt

readRDS() deserialiserer en .rds-fil tilbage til et R-objekt. I modsætning til load() skal returværdien tildeles et navn, så du kan indlæse den samme fil med forskellige navne forskellige steder i din kode.

# Suppose model_results.rds was saved earlier
tmp <- tempfile(fileext = '.rds')
saveRDS(list(coef = c(1.2, 3.4), n = 100), tmp)

# Load with a meaningful name:
model_output <- readRDS(tmp)
cat('Coefficients:', model_output$coef, '\n')
cat('Sample size:', model_output$n, '\n')

# Key advantage over load():
# With load(), the name is baked into the file.
# With readRDS(), YOU choose the name on load.
cat('readRDS gives you naming control')

save() og load() — flere objekter

save() serialiserer ét eller flere navngivne objekter til en .RData-fil. load() gendanner dem, men de oprindelige navne gendannes automatisk, hvilket ubemærket kan overskrive eksisterende objekter. Brug dem med forsigtighed.

# Save multiple objects at once
scores <- c(85, 92, 78)
labels <- c('Alice', 'Bob', 'Carol')

tmp_rdata <- tempfile(fileext = '.RData')
save(scores, labels, file = tmp_rdata)
cat('Saved to:', tmp_rdata, '\n')

# Remove originals to simulate a new session
rm(scores, labels)
cat('Removed. Objects now:', length(ls()), '\n')

# Load restores original names automatically
load(tmp_rdata)
cat('Restored scores:', scores)

saveRDS kontra save — hvornår skal du bruge hvad?

Brug saveRDS() til enkelte objekter, når du vil have fuld kontrol over navngivningen ved indlæsning — det er ideelt til modeloutput, behandlede datasæt og cachede resultater. Brug kun save(), når du har brug for at samle flere navngivne objekter til en bestemt arbejdsgang med en samarbejdspartner.

# saveRDS: one object, you name it on load
# saveRDS(my_model, 'outputs/model_v2.rds')
# m <- readRDS('outputs/model_v2.rds')  <- your name choice

# save: multiple objects, names fixed in the file
# save(model, validation_df, file = 'outputs/session.RData')
# load('outputs/session.RData')  <- restores 'model' and 'validation_df'

# Practical rule:
# saveRDS for caching single results
# save for snapshots shared between collaborators

cat('saveRDS is usually the better choice')

Kontrol og gendannelse af options()

Indstillinger, der sættes under en session, gælder kun for den session. For at sikre, at dit script er selvstændigt, skal du sætte de nødvendige indstillinger øverst og eventuelt gendanne de gamle værdier, når scriptet afsluttes, ved hjælp af on.exit().

# Capture current options before changing
old_options <- options(scipen = 999, digits = 3)

# Use on.exit to restore them no matter what
on.exit(options(old_options), add = TRUE)

# Now do your work
cat(pi, '\n')           # 3.14
cat(1234567.89, '\n')   # 1234568 (no sci notation)

# When function or script exits, options are restored automatically
cat('Options will restore on exit')

RStudio-projekter til håndtering af arbejdsområder

Et RStudio Project (filen .Rproj) angiver automatisk arbejdsbiblioteket til projektets rod, har en separat .Rhistory for hvert projekt og isolerer sessionsindstillinger. Det er standardmåden at håndtere selvstændige R-projekter på.

# When you open a .Rproj file, RStudio automatically:
# 1. Sets working directory to the project root
# 2. Loads the project-specific .Rhistory
# 3. Optionally restores project .RData

# Best practice for new projects:
# File -> New Project -> New Directory -> New Project

# Your project structure then looks like:
# my_project/
#   my_project.Rproj
#   .Rprofile        (project-level options)
#   .Renviron        (project-level env vars)
#   R/               (scripts)
#   data/            (raw data)
#   output/          (results)

cat('RStudio Projects = clean workspaces')

Hurtigt tjek

Du vil gemme en enkelt R-dataramme kaldet clean_data på disken, så du kan indlæse den i et andet script med et variabelnavn efter eget valg. Hvilken funktion skal du bruge?

Besvar den i den interaktive lektion

Håndtering af arbejdsområder — vigtigste pointer

Et veladministreret R-arbejdsområde er grundlaget for reproducerbar analyse:

.RData / .Rhistory — automatisk gemte arbejdsområdefiler (deaktivér automatisk lagring!)
rm(list = ls()) — ryd alle objekter for at starte på en frisk
options(scipen = 999, digits = 4) — styr talformattering
.Renviron — gem API-nøgler og stier som miljøvariabler
saveRDS(obj, 'file.rds') — cache ét objekt
readRDS('file.rds') — gendan med dit eget navn
save(a, b, file = 'session.RData') — saml flere objekter
load('session.RData') — gendan alle samlede objekter
Brug RStudio Projects til automatisk håndtering af arbejdsbiblioteker

# Typical script header for clean, reproducible analysis:
rm(list = ls())                         # clean workspace
options(scipen = 999, digits = 4)       # formatting

# Load secrets from .Renviron:
db_url <- Sys.getenv('DATABASE_URL')

# Load cached data if available:
cache_file <- file.path('cache', 'processed_data.rds')
if (file.exists(cache_file)) {
  df <- readRDS(cache_file)
  cat('Loaded from cache\n')
} else {
  cat('Cache not found, run data_prep.R first\n')
}

cat('Workspace ready')

Gratis at komme i gang

Lær R med en AI-underviser — gratis

Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.

Kurser: 43
Lektioner: 159

Start gratis Se hele kurset

Ofte stillede spørgsmål

Er lektionen “R-projekter og håndtering af workspace” gratis?

Ja — alle 3 lektioner i læringssporet R Academy, inklusive “R-projekter og håndtering af workspace”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. R Academy-kurset indeholder 4 lektioner i alt.

Hvad lærer jeg i “R-projekter og håndtering af workspace”?

Opret RStudio-projekter, og håndtér .RData, .Rhistory og .Renviron. Du øver dig i R Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.

Skal jeg have erfaring for at begynde på R Academy?

Der kræves ingen tidligere erfaring. R Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 4 af 4.

Hvor lang tid tager lektionen “R-projekter og håndtering af workspace”?

De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.

Kan jeg skrive og køre kode i denne R Academy-lektion?

Ja. Alle R Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.

Alle lektioner i dette kursus

← Tilbage til R Academy