如何在Jupyter Notebook with R中延续上次会话工作，无需重跑全部分析？

针对你用R在Jupyter Notebook处理大体积数据时，每日需重跑全部分析的问题，这里有几个适合新手的解决方案：

• 基础工作空间保存：save.image() + load()
  这是R最原生的方法，能快速保存当前所有变量、函数、模型结果等整个工作环境。
  完成一段耗时分析后，运行：

  save.image("my_analysis_state.RData")
  

  次日打开笔记本后，先执行：

  load("my_analysis_state.RData")
  

  就能直接恢复到上次结束时的所有工作状态，无需从头运行。缺点是数据量极大时，生成的.RData文件会偏大，但胜在操作简单，零学习成本。

• 精准保存特定对象：saveRDS() + readRDS()
  若无需保存整个工作空间，只想保留关键大对象（如处理好的数据集、训练好的模型），这个方法更灵活。
  保存单个对象：

  # 保存处理后的大型数据集
  saveRDS(processed_big_data, "processed_data.rds")
  # 保存训练好的模型
  saveRDS(trained_model, "my_model.rds")
  

  恢复对象：

  processed_big_data <- readRDS("processed_data.rds")
  trained_model <- readRDS("my_model.rds")
  

  优点是可单独管理每个重要对象，避免冗余，文件大小更可控。

• Jupyter专属缓存魔法：%%cache
  Jupyter的R内核支持代码块缓存功能，给耗时代码块加上%%cache标记后，第一次运行会执行并缓存结果，后续打开笔记本时直接加载缓存，跳过重新计算。
  用法示例：

  %%cache
  # 这段耗时的数据处理代码会被缓存
  processed_big_data <- raw_large_data %>%
    filter(date >= "2020-01-01") %>%
    mutate(new_feature = log(value)) %>%
    group_by(category) %>%
    summarise(total = sum(value))
  

  注意：若修改了该代码块内容，缓存会自动失效，需重新运行一次更新缓存。

• 复杂项目流程管理：targets包
  若是长期维护的复杂分析项目，targets包可自动跟踪分析步骤的依赖关系，仅重新运行被修改过的环节，无需全量重跑。虽需花时间入门，但对重复迭代的大项目非常实用。核心逻辑是把每个分析步骤定义为"目标"，包会自动检测哪些目标的输入发生变化，仅重新计算这些目标，其余直接复用之前的结果。

内容的提问来源于stack exchange，提问作者ASN