使用box包管理R脚本的依赖

在习惯了python后，使用R进行脚本开发会让人感到十分痛苦，老声长谈的错误回溯不明确问题暂且不谈，当要写的脚本稍微复杂点，需要分文件的时候，才发现R的导入机制也挺蛋疼的…. 还好有box包，可以用类似python的逻辑来进行模块化导入。

R中默认的导入方式

R中自带的导入方式有两种，source和library，前者本质是将指定R文件内的内容全部运行一遍，后者需要将代码打包成R包，安装后才能使用。

前者在要写的东西相对简单的时候还是比较好用的，但是一旦要实现的功能相对没那么简单，需要多拆几个文件时，就会出现问题了。

命名空间污染：source()会将脚本中的所有对象直接加载到当前环境，为防止冲突，需要额外配置。
依赖关系不明确：如果脚本之间存在依赖关系，导入顺序错误会导致错误。
后续阅读代码进行维护难度大：从source()的部分，很难看出到底引入了什么，当想找来源代码进行修改时，需要一级一级回溯，非常麻烦。

如果使用library, 每次都要打包非常麻烦不说，命名空间污染和找函数/对象来源的问题也是存在的。

总的来说，R自带的导入虽然能用，但是确实不好用…..

使用Box

Python 式模块化：支持 box::use() 语法实现类似 Python 的模块导入机制，使用方式见下：

box::use(
  plots = ./modules/plot_functions, # 根据路径导入./modules/plot_functions.R文件
  shiny_utils = shiny/utils, # 导入文件，并进行对象重命名
  ggplot2[ggplot, aes] # 导入ggplot2中的ggplot和aes
)

这种导入方式跟Python类似的地方在于，它一可以导入一个R文件中的特定内容，而不用全部引入，同时，它也可以想Python一样导入整个文件的内容到一个对象，然后通过mod$func()这样的方式来调用对象中的函数，实现python中使用对象内方法一样的使用方式。

除了上面的优势，使用box还可以实现相对路径解析，自动识别项目根目录，替代避免使用setwd()不停切换目录，这种使用方式也考虑了跨平台兼容，它可以自动统一处理 Windows/Linux/macOS 路径格式差异。

最后，使用box，也能解决导入时的溯源问题，不论是使用mod$func()还是ggplot2[ggplot, aes]这样的部分导入，都能一眼看出来使用函数/对象的来源，避免在一堆文件中翻来翻去。