实现数据科学研究结果可复制的十条规则

近年来，有越来越多的迹象表明，科研结果的可复现性出现了危机。对心理学和癌症生物学论文的检查发现，分别只有40%和10%的结果是可复现的。《自然》杂志在2016年对科研人员的调查结果显示：52%的科研人员认为存在严重的可复现性危机；70%的科学家试图复现另一位科学家的试验，但以失败告终；2013年，一群科研人员在一篇论文中，讲述了可复现性计算研究的十条规则。如果遵循这些规则，应该会产生更具可复现性的结果。

所有的数据科学都是研究。仅仅因为研究结果没有发表在学术论文中，这不会改变我们试图从庞杂数据中获取洞见的事实。因此，对于任何从事内部分析的数据科学家来说，那篇论文中的十条规则都应该引起重视。

规则1：对于每个结果，都要记录它的产生过程

知道研究结果的产生过程很重要。知道你如何从原始数据中得出该结论，这可以让你：为结果辩护、发现错误时修改结果、在数据更新时复现结果、提交结果以供评审。如果你使用一种编程语言(R、Python、Julia、F#等等)来编写你的分析脚本，那么过程应该是清晰明了的，前提是避免了任何的手动步骤。如果使用“鼠标点击”工具(比如Excel)，这会使你更难记录步骤，因为你必须描述一系列手动操作，而手动操作很难记录和复现。

规则2：避免手动数据操作步骤

你可能很想在编辑器中打开数据文件，手动修改格式错误或者删除异常值。而且，现代的操作系统使你可以轻松地剪切和粘贴应用。然而，你应该抵挡住这种走捷径的诱惑。手动数据操作是无法显示踪迹的操作。

规则3：存档你使用的所有外部程序的准确版本

理想情况下，你应该创建一个包含所有脚本运行软件的虚拟机。这使你可以生成分析生态系统的快照，轻松实现结果的可复现性。

不过，这并不总是可行。例如，如果你使用云服务，或者你分析的数据集非常庞大，那么你很难圈定整个环境进行存档。另外，商业工具的使用可能使你难以和其他人分享这样的一个环境。

至少，你必须记录你使用的所有软件的版本，包括操作系统的版本。软件的任何细微变化都可能影响到结果。

规则4：记录所有自定义脚本的版本

应该使用版本控制系统(比如Git)来记录脚本的版本。你应该标记(快照)多个脚本，并在你产生的任何结果中索引那个标记。这样一来，如果你后来决定修改脚本(你肯定会这么做)，你就可以及时找到产生特定结果的确切脚本。

规则5：尽量用标准格式记录所有的中间结果

如果你遵循了规则1，应该就有可能从原始数据中重现任何结果。不过，虽然这在理论上是可能的，但在实践中存在种种限制。问题可能包括：缺乏从头开始运行结果的资源(比如使用了大量的集群计算资源)、使用了商业工具，但没有某些工具的授权、使用某些工具的技术能力不足。在这些情况下，从原始数据的派生数据集着手不失为明智之举。这些中间数据集(比如CSV格式数据)提供了更多的分析选择，并且在出错的时候，更容易识别有问题的结果，不必重头来过。

规则6：对于带有随机性的分析，要记录潜在的随机种子

数据科学家常常没有为他们的分析设置种子值，因此不可能准确复现机器学习研究。很多机器学习算法都包含随机成分，虽然强劲的结果可能在统计上是可复现的，但没什么能比得上与其他人产生的精确数据相一致。

如果你使用脚本和源代码控制，你可以在脚本中设置种子值。

规则7：始终保存原始数据

如果你使用脚本/编程语言，图表常常将自动生成。但如果你使用Excel这样的工具来绘制图表，请确保你保存了原始数据。这使图表可以复现，也能对图表背后的数据进行更细致的检查。

规则8：生成层次分析输出结果，使越来越细致的层次可以被检查

数据科学家的工作是以某种形式总结数据，从数据中获取洞见。

不过，总结也容易导致数据误用，所以应该让相关方可以把总结分解成各个数据点。对于每个总结性结果，要与使用的数据联系起来，以便对总结进行推算。

规则9：把文本陈述和潜在结果联系起来

归根结底，数据分析的结果是以文字的形式呈现，而文字是不精确的。有时，结论和分析之间的联系很难确定。由于论文常常是科研中具有影响力的部分，因此把论文和结果联系起来至关重要，由于规则1的缘故，与原始数据联系起来也很重要。

这可以通过在文本中添加脚注的方式来实现。脚注引用的文件或URL应该包含引出论文中观察发现的特定数据。如果你无法建立这种联系，说明你可能没有充分记录所有步骤。

规则10：公开脚本、过程和结果

在商业环境中，可能不适合公开所有的数据。不过，向组织内部的其他人公开数据是可以的。基于云的源代码控制系统，比如Bitbucket和GitHub，允许创建私密存储，任何获得授权的同事都能访问。

来源：中国大数据