D2RS-2026spring 数据分析

数据驱动的可重复性研究 - 课程教学项目

Published

April 3, 2026

欢迎来到 D2RS 课程

本项目是《数据驱动的可重复性研究》课程的教学实践平台，通过两个真实的数据分析案例，带您完整体验数据科学的 Whole Game——从原始数据获取到洞察生成的完整流程。

项目概览

什么是 Whole Game？

“Whole Game” 是数据科学教育中的重要概念，强调先让学生经历一个完整的数据科学项目，建立全局视野，再深入各个技术细节。这种方法比传统的分章教学更能帮助学生理解数据科学的全貌。

了解更多 →

两个核心案例

案例	数据来源	核心技能
Issue #1 - 学生申请分析	GitHub Issue 评论	API 调用、正则表达式、数据验证、描述性统计
Issue #2 - AI 模型投票分析	GitHub Issue 评论	排序数据分析、数据透视、多维度可视化

课程学习目标

完成本课程学习后，您将掌握以下核心能力：

技术技能

GitHub 协作基础
- Issue 的使用与 Markdown 格式
- Git 版本控制基础
- GitHub Flow 工作流
API 数据获取
- 理解 RESTful API 概念
- 使用 gh 包访问 GitHub API
- 处理分页和认证
数据清洗与处理
- 正则表达式文本解析
- dplyr 管道操作
- 数据验证与质量控制
数据可视化
- ggplot2 图形语法
- 选择合适的图表类型
- 解决中文显示问题
可复现报告
- Quarto 文档编写
- 整合代码与叙述
- 自动化报告生成

思维方法

数据驱动决策：用数据而非直觉做判断
可复现研究：确保分析过程和结果可以被复现
迭代式探索：通过可视化不断探索数据
批判性思维：质疑数据来源、质量和潜在偏差

网站导航

📚 学习路径

课程导论 —— 理解数据科学的 Whole Game 概念，了解学习路径
技术工具详解 —— 深入了解本项目使用的 R 包和技术栈
Issue #1 分析 —— 学习从非结构化文本中提取结构化数据
Issue #2 分析 —— 学习排序数据的分析方法

📊 实时数据

成员名单 —— 实时更新的学生申请信息表

技术栈

本项目采用现代化的数据科学工具链：

类别	工具/包	用途
文档系统	Quarto	可复现计算文档
编程语言	R	数据分析和可视化
数据处理	dplyr, tidyr	数据操作和整理
文本处理	stringr	正则表达式和字符串处理
可视化	ggplot2	统计图形
表格展示	DT	交互式数据表格
API 访问	gh	GitHub API 封装
字体渲染	showtext	中文显示支持

查看详细工具说明 →

课程特色

🎯 实践导向

真实数据：所有数据来自真实的 GitHub Issue 互动
完整流程：覆盖数据获取、清洗、分析、可视化、报告的全流程
即时反馈：代码修改后可立即看到结果

📖 循序渐进

先见森林，再见树木：先理解整体流程，再深入技术细节
知识点详解：每个技术点都有详细的概念解释和代码注释
最佳实践：展示数据科学的专业规范

🔗 互联互通

GitHub 集成：与课程组织的 GitHub 仓库紧密集成
自动化更新：数据每天自动从 GitHub API 获取
可交互报告：生成的网站支持交互式表格和搜索

快速开始

对于学生

在 Issue #1 中回复，提交您的学号和感兴趣方向
在 Issue #2 中回复，投票选出您认为最优秀的 AI 模型
阅读课程导论，了解数据科学的基本概念
跟随 Issue #1 分析，学习数据获取和清洗
探索 Issue #2 分析，了解排序数据的分析

对于开发者

# 克隆仓库
git clone https://github.com/D2RS-2026spring/members.git
cd members

# 本地预览
quarto preview

# 渲染网站
quarto render

延伸阅读

R for Data Science —— 数据科学的完整指南
Quarto 官方文档 —— 学习 Quarto 的全部功能
GitHub API 文档 —— API 参考手册
ggplot2: Elegant Graphics —— 可视化深度指南

“数据科学不仅仅是关于数据，更是关于提出正确的问题，并用数据来回答它们。”

准备好了吗？让我们开始数据科学之旅！ → 课程导论

--- title: "D2RS-2026spring 数据分析" subtitle: "数据驱动的可重复性研究 - 课程教学项目" date: now format: html: toc: true toc-depth: 2 page-layout: article editor: visual --- ## 欢迎来到 D2RS 课程本项目是《数据驱动的可重复性研究》课程的教学实践平台，通过两个真实的数据分析案例，带您完整体验**数据科学的 Whole Game**——从原始数据获取到洞察生成的完整流程。 ------------------------------------------------------------------------ ## 项目概览 ### 什么是 Whole Game？ "Whole Game" 是数据科学教育中的重要概念，强调先让学生经历一个**完整的数据科学项目**，建立全局视野，再深入各个技术细节。这种方法比传统的分章教学更能帮助学生理解数据科学的全貌。 [了解更多 →](00-introduction.qmd) ### 两个核心案例 | 案例 | 数据来源 | 核心技能 | |------------------|---------------------------|---------------------------| | [**Issue #1 - 学生申请分析**](issue1_students.qmd) | GitHub Issue 评论 | API 调用、正则表达式、数据验证、描述性统计 | | [**Issue #2 - AI 模型投票分析**](issue2_voting.qmd) | GitHub Issue 评论 | 排序数据分析、数据透视、多维度可视化 | ------------------------------------------------------------------------ ## 课程学习目标完成本课程学习后，您将掌握以下核心能力： ### 技术技能 1. **GitHub 协作基础** - Issue 的使用与 Markdown 格式 - Git 版本控制基础 - GitHub Flow 工作流 2. **API 数据获取** - 理解 RESTful API 概念 - 使用 `gh` 包访问 GitHub API - 处理分页和认证 3. **数据清洗与处理** - 正则表达式文本解析 - `dplyr` 管道操作 - 数据验证与质量控制 4. **数据可视化** - `ggplot2` 图形语法 - 选择合适的图表类型 - 解决中文显示问题 5. **可复现报告** - Quarto 文档编写 - 整合代码与叙述 - 自动化报告生成 ### 思维方法 - **数据驱动决策**：用数据而非直觉做判断 - **可复现研究**：确保分析过程和结果可以被复现 - **迭代式探索**：通过可视化不断探索数据 - **批判性思维**：质疑数据来源、质量和潜在偏差 ------------------------------------------------------------------------ ## 网站导航 ### 📚 学习路径 1. [**课程导论**](00-introduction.qmd) —— 理解数据科学的 Whole Game 概念，了解学习路径 2. [**技术工具详解**](01-tools-reference.qmd) —— 深入了解本项目使用的 R 包和技术栈 3. [**Issue #1 分析**](issue1_students.qmd) —— 学习从非结构化文本中提取结构化数据 4. [**Issue #2 分析**](issue2_voting.qmd) —— 学习排序数据的分析方法 ### 📊 实时数据 - [**成员名单**](members-list.qmd) —— 实时更新的学生申请信息表 ------------------------------------------------------------------------ ## 技术栈本项目采用现代化的数据科学工具链： | 类别 | 工具/包 | 用途 | |--------------|--------------|------------------------| | **文档系统** | Quarto | 可复现计算文档 | | **编程语言** | R | 数据分析和可视化 | | **数据处理** | dplyr, tidyr | 数据操作和整理 | | **文本处理** | stringr | 正则表达式和字符串处理 | | **可视化** | ggplot2 | 统计图形 | | **表格展示** | DT | 交互式数据表格 | | **API 访问** | gh | GitHub API 封装 | | **字体渲染** | showtext | 中文显示支持 | [查看详细工具说明 →](01-tools-reference.qmd) ------------------------------------------------------------------------ ## 课程特色 ### 🎯 实践导向 - **真实数据**：所有数据来自真实的 GitHub Issue 互动 - **完整流程**：覆盖数据获取、清洗、分析、可视化、报告的全流程 - **即时反馈**：代码修改后可立即看到结果 ### 📖 循序渐进 - **先见森林，再见树木**：先理解整体流程，再深入技术细节 - **知识点详解**：每个技术点都有详细的概念解释和代码注释 - **最佳实践**：展示数据科学的专业规范 ### 🔗 互联互通 - **GitHub 集成**：与课程组织的 GitHub 仓库紧密集成 - **自动化更新**：数据每天自动从 GitHub API 获取 - **可交互报告**：生成的网站支持交互式表格和搜索 ------------------------------------------------------------------------ ## 快速开始 ### 对于学生 1. 在 [Issue #1](https://github.com/D2RS-2026spring/members/issues/1) 中回复，提交您的学号和感兴趣方向 2. 在 [Issue #2](https://github.com/D2RS-2026spring/members/issues/2) 中回复，投票选出您认为最优秀的 AI 模型 3. 阅读 [课程导论](00-introduction.qmd)，了解数据科学的基本概念 4. 跟随 [Issue #1 分析](issue1_students.qmd)，学习数据获取和清洗 5. 探索 [Issue #2 分析](issue2_voting.qmd)，了解排序数据的分析 ### 对于开发者 ``` bash # 克隆仓库 git clone https://github.com/D2RS-2026spring/members.git cd members # 本地预览 quarto preview # 渲染网站 quarto render ``` ------------------------------------------------------------------------ ## 延伸阅读 - [R for Data Science](https://r4ds.had.co.nz/) —— 数据科学的完整指南 - [Quarto 官方文档](https://quarto.org/docs/guide/) —— 学习 Quarto 的全部功能 - [GitHub API 文档](https://docs.github.com/en/rest) —— API 参考手册 - [ggplot2: Elegant Graphics](https://ggplot2-book.org/) —— 可视化深度指南 ------------------------------------------------------------------------ *"数据科学不仅仅是关于数据，更是关于提出正确的问题，并用数据来回答它们。"* **准备好了吗？让我们开始数据科学之旅！** [→ 课程导论](00-introduction.qmd)