当前位置：首页 > news >正文

MATLAB脚本管理：从工作区污染到工程化实践的完整指南

news 2026/6/24 20:52:56

1. 从“零散脚本”到“工程化代码”：为什么你需要管理MATLAB脚本

如果你用过MATLAB，大概率是从一个简单的.m文件开始的。在命令窗口里敲几行代码，画个图，算个数，点一下运行，结果就出来了。这很爽，MATLAB的交互式特性让它成为快速验证想法的绝佳工具。但不知道你有没有经历过这样的场景：一个月前写的一个画图脚本，今天想改个参数重新跑一下，打开文件，里面密密麻麻的变量a、b、c，还有一堆x1、x2，你完全想不起来哪个变量对应哪个物理量，更别提那段复杂的计算逻辑了。或者，你想把数据处理、分析和可视化的步骤整合起来，结果发现复制粘贴代码后，变量名冲突，图形窗口乱跳，脚本跑一半就报错。

这就是“脚本管理”问题的核心。在MATLAB的语境里，一个脚本（Script）就是一个包含一系列MATLAB命令的纯文本文件，扩展名为.m。当你运行它时，MATLAB会按顺序执行文件中的命令，就像你在命令窗口中逐行输入一样。它的优点是直观、快速、无需考虑函数接口。但它的缺点也同样明显：所有变量都存在于基础工作区（Base Workspace）。这意味着脚本A产生的变量x，会直接影响到后续运行的脚本B，如果两个脚本都用了x但含义不同，就会导致难以追踪的错误。随着项目复杂度的提升，这种“一锅粥”式的工作方式会迅速成为效率的瓶颈和错误的温床。

因此，“管理MATLAB脚本”远不止是给文件起个好听的名字。它是一套从个人工作习惯到小型项目协作的工程化实践，目的是让你的代码可读、可复用、可维护、可追溯。无论你是做学术研究、算法开发、数据分析还是控制系统仿真，良好的脚本管理都能让你事半功倍，避免大量时间浪费在“找bug”和“理清思路”上。接下来，我将结合多年的工程与科研经验，为你拆解从脚本“小白”到“高手”的完整路径。

2. 脚本的“原罪”与工作区污染：理解问题的根源

要管理好脚本，首先得明白它为什么容易失控。核心矛盾在于MATLAB的工作区机制。

2.1 基础工作区：一个共享的“全局白板”

当你打开MATLAB，那个显示着变量名、大小、值的“工作区”窗口，就是基础工作区。任何在命令窗口直接执行的命令，以及任何脚本中创建的变量，默认都会进入这里。你可以把它想象成一个公共的白板，所有人都能在上面写写画画。

举个例子：你写了一个脚本processData.m，用来加载并预处理实验数据。

% processData.m data = readmatrix('experiment.csv'); % 读取原始数据 data_clean = data(~isnan(data(:, 1)), :); % 去除第一列为NaN的行 mean_value = mean(data_clean(:, 2)); % 计算第二列均值

运行后，data，data_clean，mean_value这三个变量就留在了基础工作区。接着，你又打开另一个画图脚本plotResults.m：

% plotResults.m plot(data(:, 1), data(:, 2), 'o-'); % 试图画图 xlabel('Time'); ylabel('Amplitude');

如果你直接运行plotResults.m，它会理所当然地使用基础工作区里现有的data变量。这看起来很方便，对吧？但隐患巨大。

2.2 “变量幽灵”与命名冲突

几天后，你开始一个新的分析任务，写了个新脚本analyzeSignal.m，也用了变量data来存放音频信号。当你运行它时，会无情地覆盖掉基础工作区里旧的data（那个实验数据）。如果你没注意到，回头再去运行plotResults.m，它画出来的将是你的音频信号，结果完全错误，而你可能要花很长时间才能发现这个“变量幽灵”在作祟。

更常见的是命名冲突。你的脚本里可能用了t表示时间，f表示频率，A表示振幅。当多个脚本的变量都堆在基础工作区时，后运行的脚本会覆盖先运行的。如果你在某个脚本里不小心写了个clear（不带参数），那更是灾难——它会清空整个基础工作区，导致所有依赖这些变量的后续操作全部失败。

注意：这种因共享工作区导致的隐式依赖，是MATLAB脚本开发中最常见的错误来源之一。它使得代码模块之间高度耦合，无法独立测试和复用。

2.3 脚本的局限性：无法封装与复用

脚本的另一个问题是它本质上是一系列命令的集合，而不是一个可调用的“功能单元”。你不能像调用函数y = sin(x)那样，给脚本传递输入参数，并获取明确的输出。所有的“输入”都依赖于运行前工作区里已有的变量，所有的“输出”都直接“污染”了工作区。

假设你有一个非常棒的数据滤波算法写在脚本里。下次在另一个项目中想用它，你必须：1. 打开那个脚本文件；2. 找到算法核心部分；3. 复制粘贴到新脚本；4. 小心翼翼地修改变量名以避免冲突。这个过程低效且容易出错。而如果它被写成一个函数filtered_data = myLowpassFilter(original_data, cutoff_freq)，复用起来就清晰、安全得多。

因此，管理脚本的第一步，是建立清晰的意识：脚本适合用于顶层驱动、一次性的任务编排或交互式探索；而任何需要重复使用、逻辑独立的计算单元，都应该被考虑封装成函数。

3. 脚本管理的核心原则：从混乱到秩序

理解了问题，我们就可以建立防御工事。管理MATLAB脚本，可以遵循以下几个核心原则，这些原则适用于绝大多数数据分析、算法开发和科研计算场景。

3.1 单一职责与模块化

每个脚本应该只做一件事，并且把这件事做好。这是软件工程中的“单一职责原则”在脚本层面的应用。

坏例子：一个名为main.m的脚本，里面包含了从数据库读取数据、清洗数据、训练模型、评估模型、绘制所有图表、生成报告等所有步骤。这个脚本可能长达数百行，任何小的修改都需要滚动浏览整个文件，风险极高。
好例子：
- 01_load_and_clean_data.m：负责数据加载和预处理，输出清洗后的数据变量。
- 02_feature_engineering.m：负责特征提取和构造，输入清洗后的数据，输出特征矩阵。
- 03_train_model.m：负责模型训练，输入特征和标签，输出训练好的模型对象。
- 04_evaluate_and_plot.m：负责模型评估和结果可视化。

这样拆分后，每个脚本的意图都非常清晰。你可以单独运行01_load_and_clean_data.m来检查数据质量，而不必运行耗时的模型训练。当特征工程方法需要调整时，你只需要关注02_feature_engineering.m。

3.2 清晰的数据流与工作区隔离

模块化之后，下一个问题是如何让这些脚本安全地“对话”。核心策略是：让每个脚本在结束时，只留下明确声明的“输出”变量；在开始时，主动清理或确认其依赖的“输入”变量。

实用技巧：使用clearvars -except和脚本节（Section）MATLAB提供了clearvars命令来清理工作区。你可以在每个脚本的开头和结尾巧妙地使用它。

% 02_feature_engineering.m % 第一部分：声明与准备 clearvars -except cleaned_data % 只保留上游脚本产生的输入变量`cleaned_data`，清除其他所有 % 这样能确保本脚本的运行不依赖于任何未知的历史变量。 % 检查输入是否存在 if ~exist('cleaned_data', 'var') error('输入变量 cleaned_data 未找到。请先运行 01_load_and_clean_data.m'); end % 第二部分：核心计算 % ... 基于 cleaned_data 进行特征工程 ... features = extractFeatures(cleaned_data); % 假设的提取函数 selected_features = selectFeatures(features, 'method', 'pca'); % 第三部分：输出与清理 % 在脚本末尾，只留下我们希望传递给下游的变量 clearvars -except selected_features cleaned_data % 或者只保留 selected_features % 通常，我们只保留最终输出。这里保留两个是为了示例。

通过clearvars -except，你为每个脚本划定了清晰的输入输出边界，实现了软性的工作区隔离。同时，使用exist函数检查输入，能快速定位问题。

另外，善用MATLAB的脚本节（%%）。你可以用%%将脚本划分为不同的节（如“初始化”、“主计算”、“可视化”），每个节可以独立运行（点击节标题旁的“运行节”按钮）。这非常适合在长脚本中分段测试和调试。

3.3 项目目录结构规范化

混乱的脚本往往存在于混乱的文件夹中。一个清晰的项目目录结构是管理的基石。我推荐一种简单实用的结构：

YourProject/ ├── data/ % 存放原始数据、中间数据和最终结果 │ ├── raw/ % 原始数据，只读 │ ├── interim/ % 处理中的中间数据 │ └── processed/ % 最终用于分析的数据 ├── src/ % 源代码（你的脚本和函数） │ ├── scripts/ % 主运行脚本，按执行顺序编号 │ │ ├── 01_load.m │ │ ├── 02_process.m │ │ └── 03_visualize.m │ └── functions/ % 自定义函数库，可被多个脚本调用 │ ├── calculateMetrics.m │ └── myPlotStyle.m ├── docs/ % 项目文档、说明 ├── figs/ % 自动生成的图表 ├── logs/ % 运行日志（如果有） └── README.md % 项目总说明

关键点：

路径管理：在项目主脚本或启动脚本中，使用addpath将src/functions等目录添加到MATLAB搜索路径，确保自定义函数能被找到。更优雅的做法是创建一个startup.m脚本放在项目根目录，MATLAB启动时会自动运行它来设置路径。
```
% startup.m 示例 projRoot = fileparts(mfilename('fullpath')); % 获取本文件所在目录（项目根目录） addpath(fullfile(projRoot, 'src', 'functions')); addpath(fullfile(projRoot, 'src', 'scripts')); disp('项目路径已设置。');
```
使用相对路径：在脚本中引用数据或文件时，使用相对于项目根目录的路径（如../data/raw/experiment.csv），而不是绝对路径（如C:\Users\...）。这保证了项目在不同电脑上都能正常运行。
版本控制：虽然这超出了纯脚本管理的范畴，但强烈建议对src/和可能有的docs/目录使用Git进行版本控制。这能追踪每一次修改，方便回滚和协作。

4. 进阶实践：从脚本到函数，构建可复用工具箱

当你发现某个脚本里的代码段在多个地方都被用到时，就是将它提升为函数的时候了。这不仅能解决工作区污染问题，更是代码复用的关键。

4.1 将脚本片段转换为函数

以一个简单的数据标准化（归一化）操作为例。最初它可能散落在各个脚本里：

% 在脚本A中 dataA = (dataA - min(dataA)) / (max(dataA) - min(dataA)); % 在脚本B中 dataB = (dataB - min(dataB(:))) / (max(dataB(:)) - min(dataB(:))); % 注意处理矩阵

我们可以将其封装成一个健壮的、带帮助文档的函数，保存在src/functions/normalizeData.m中：

function [data_norm, scale_params] = normalizeData(data, mode, range) %NORMALIZEDATA 将数据归一化到指定范围。 % [DATA_NORM, PARAMS] = NORMALIZEDATA(DATA) 将DATA按列归一化到[0, 1]。 % [DATA_NORM, PARAMS] = NORMALIZEDATA(DATA, MODE) 指定模式。 % MODE = 'minmax' (默认): 最小-最大归一化。 % MODE = 'zscore': 零均值单位方差归一化。 % [DATA_NORM, PARAMS] = NORMALIZEDATA(DATA, MODE, RANGE) 指定目标范围。 % 例如 RANGE = [-1, 1]。 % % 输出: % DATA_NORM - 归一化后的数据。 % SCALE_PARAMS - 包含缩放参数的结构体，可用于逆变换。 % % 示例: % X = rand(100, 3); % X_norm = normalizeData(X); % [X_norm, params] = normalizeData(X, 'minmax', [-1, 1]); if nargin < 2 || isempty(mode) mode = 'minmax'; end if nargin < 3 || isempty(range) range = [0, 1]; end data_norm = zeros(size(data)); scale_params = struct(); switch lower(mode) case 'minmax' min_val = min(data, [], 1); max_val = max(data, [], 1); range_orig = max_val - min_val; % 避免除零 range_orig(range_orig == 0) = 1; % 归一化 data_norm = (data - min_val) ./ range_orig; % 缩放至目标范围 data_norm = data_norm * (range(2) - range(1)) + range(1); scale_params.mode = 'minmax'; scale_params.min_val = min_val; scale_params.max_val = max_val; scale_params.range_orig = range_orig; scale_params.target_range = range; case 'zscore' mu = mean(data, 1); sigma = std(data, 0, 1); sigma(sigma == 0) = 1; % 避免除零 data_norm = (data - mu) ./ sigma; scale_params.mode = 'zscore'; scale_params.mu = mu; scale_params.sigma = sigma; otherwise error('不支持的归一化模式: %s', mode); end end

现在，在任何脚本中，你都可以清晰、安全地调用它：

% 在脚本中调用 load('mydata.mat'); [data_normalized, params] = normalizeData(raw_data, 'minmax', [-1, 1]); % 使用 data_normalized... % 如果需要，可以用 params 进行逆变换

4.2 利用局部函数和嵌套函数组织复杂脚本

对于某些逻辑上紧密相关、但又比较复杂，暂时不想拆分成独立文件的任务，可以使用局部函数（Local Function）。它们写在主脚本文件的末尾，只被该脚本内的代码调用。

% mainAnalysis.m % 主脚本部分 data = loadDataset(); processed_data = preprocess(data); % 调用下面的局部函数 results = analyzeCore(processed_data); plotResults(results); % ------- 局部函数定义区 ------- function cleaned = preprocess(inputData) % 预处理逻辑 cleaned = fillmissing(inputData, 'linear'); cleaned = smoothdata(cleaned, 'movmean', 5); end function analysisOutput = analyzeCore(dataIn) % 核心分析逻辑 % ... end

这样做的好处是，相关的辅助函数和主逻辑放在一起，便于阅读和管理，同时又不会污染全局命名空间（这些函数在别的脚本中不可见）。

4.3 使用MATLAB项目管理器（Project）

对于更大型、更复杂的项目，MATLAB自带的项目管理器（Project）是一个强大的工具。它可以帮助你：

自动管理路径：创建项目时，项目下的文件夹会自动添加到MATLAB路径，关闭项目时则移除。
依赖关系分析：可视化你的脚本、函数和数据文件之间的调用关系。
快捷操作：一键运行所有启动文件，批量运行测试。
与源码控制集成：方便地与Git/SVN集成，进行版本管理。

虽然对于简单的脚本集合来说可能有点“杀鸡用牛刀”，但如果你开始处理包含数十个脚本和函数、有多个依赖项的项目，使用Project能极大地提升管理效率，减少“路径找不到”这类低级错误。

5. 调试、测试与文档：让脚本更可靠

管理良好的脚本不仅是组织上的清晰，更是质量上的可靠。这离不开调试、测试和简单的文档。

5.1 脚本的调试策略

使用断点（Breakpoint）：这是最直观的调试方式。在怀疑有问题的行左侧点击，设置一个断点（红点）。运行脚本时，执行到这一行会暂停，你可以将鼠标悬停在变量上查看其当前值，也可以在命令窗口检查或修改变量。这对于理解脚本在运行过程中的状态变化至关重要。
分节（Section）调试：如前所述，用%%将脚本分节。你可以单独运行某一节，观察该节代码的输入输出，快速定位问题节。
keyboard命令：在脚本中插入keyboard命令。当执行到这一行时，会进入调试模式（命令窗口提示符变为K>>），此时工作区就是当前状态。你可以自由检查所有变量，执行命令。输入dbcont继续运行，或dbquit退出调试。这是一个非常灵活的“动态断点”。
disp和fprintf：古老的“打印调试法”依然有效。在关键步骤后打印变量的大小、关键值或状态信息，可以帮助你理解数据流。

5.2 为关键脚本编写简单测试

即使不是正式的单元测试，为你的核心计算脚本或函数编写一个简单的测试脚本也是极好的习惯。这个测试脚本用一组已知输入和预期输出，来验证你的代码是否按预期工作。

% test_normalizeData.m clearvars; close all; clc; % 测试用例1：简单向量，最小-最大归一化 x = [1, 2, 3, 4, 5]; [x_norm, params] = normalizeData(x); expected = [0, 0.25, 0.5, 0.75, 1]; % 预期结果 assert(max(abs(x_norm - expected)) < 1e-10, '测试用例1失败！'); % 测试用例2：矩阵，Z-score归一化 X = randn(100, 3); [X_norm, params] = normalizeData(X, 'zscore'); assert(abs(mean(X_norm(:))) < 1e-10, 'Z-score均值不为0！'); assert(abs(std(X_norm(:)) - 1) < 1e-10, 'Z-score标准差不为1！'); % 测试用例3：自定义范围 x = [10, 20, 30]; [x_norm, params] = normalizeData(x, 'minmax', [-10, 10]); assert(abs(min(x_norm) - (-10)) < 1e-10 && abs(max(x_norm) - 10) < 1e-10, '自定义范围失败！'); disp('所有测试通过！');

定期运行这些测试脚本，尤其是在修改了核心代码之后，能给你巨大的信心。

5.3 不可或缺的注释与文档

“好记性不如烂笔头”，这句话对代码同样适用。注释不是为了解释“代码在做什么”（代码本身应该清晰），而是解释“为什么要这么做”。

文件头注释：在每个脚本文件的开头，用一段注释说明该脚本的目的、作者、创建日期、输入输出（如果是顶层脚本）、以及修改历史。

% processExperimentData.m % 目的：加载并预处理XX实验的原始CSV数据，进行去噪和基线校正。 % 输入：无（从指定路径读取文件） % 输出：cleaned_data (NxM double), sampling_rate (scalar) % 作者：Your Name % 创建日期：2023-10-27 % 修改历史： % 2023-11-05 - 增加了对数据缺失值的处理（线性插值） % 2023-11-10 - 修改了滤波器的截止频率，根据新的实验要求

节标题注释：使用%%创建节，节的标题就是很好的高层次注释。
关键逻辑注释：对于复杂的算法步骤、不直观的数学公式、或者为了解决某个特定问题而采用的“技巧”，一定要写注释说明意图和原理。
TODO和FIXME：可以使用% TODO:或% FIXME:来标记需要后续完善或已知有问题的地方。MATLAB编辑器会高亮这些注释，方便你跟踪。

6. 实战案例：重构一个混乱的数据分析脚本

让我们通过一个具体的例子，将上述所有原则付诸实践。假设我们有一个原始的、混乱的脚本old_analysis.m，它负责：

从两个Excel文件加载数据。
合并并清洗数据。
计算一些统计量。
绘制三个不同的图表。

原始脚本可能长这样（极度简化版）：

% old_analysis.m (混乱版本) data1 = xlsread('data1.xlsx'); data2 = xlsread('data2.xlsx'); data = [data1; data2]; data(any(isnan(data), 2), :) = []; m = mean(data); s = std(data); figure; plot(data(:,1), data(:,2), 'o'); xlabel('X'); ylabel('Y'); figure; histogram(data(:,3)); title('Distribution'); figure; boxplot(data(:,4:6)); save('results.mat', 'm', 's');

重构步骤：

创建项目结构：

MyDataAnalysis/ ├── data/ │ ├── raw/ (放入 data1.xlsx, data2.xlsx) │ └── processed/ (用于存放清洗后的数据) ├── src/ │ ├── scripts/ │ └── functions/ ├── figs/ (用于保存生成的图) └── main.m (顶层驱动脚本)

编写模块化脚本：

src/scripts/01_load_and_merge.m:

%% 加载与合并数据 clearvars; close all; clc; projRoot = fileparts(fileparts(mfilename('fullpath'))); % 上两级到项目根 dataPath = fullfile(projRoot, 'data', 'raw'); file1 = fullfile(dataPath, 'data1.xlsx'); file2 = fullfile(dataPath, 'data2.xlsx'); fprintf('正在加载文件: %s\n', file1); data1 = readmatrix(file1); % 使用 readmatrix 替代旧的 xlsread fprintf('正在加载文件: %s\n', file2); data2 = readmatrix(file2); raw_data_combined = [data1; data2]; fprintf('原始数据合并完成，大小: %s\n', mat2str(size(raw_data_combined))); % 保存中间结果，或直接传递到工作区供下一个脚本使用 % 这里我们选择保存，实现脚本间解耦 save(fullfile(projRoot, 'data', 'processed', 'raw_combined.mat'), 'raw_data_combined'); disp('步骤1完成：数据已加载并合并。');

src/scripts/02_clean_data.m:

%% 数据清洗 clearvars; close all; clc; projRoot = fileparts(fileparts(mfilename('fullpath'))); % 加载上一步的输出 load(fullfile(projRoot, 'data', 'processed', 'raw_combined.mat')); % 清洗逻辑：删除包含NaN的行 rows_with_nan = any(isnan(raw_data_combined), 2); cleaned_data = raw_data_combined(~rows_with_nan, :); fprintf('删除了 %d 行包含NaN的数据。\n', sum(rows_with_nan)); fprintf('清洗后数据大小: %s\n', mat2str(size(cleaned_data))); save(fullfile(projRoot, 'data', 'processed', 'cleaned_data.mat'), 'cleaned_data'); disp('步骤2完成：数据已清洗。');

src/scripts/03_compute_statistics.m:

%% 计算统计量 clearvars; close all; clc; projRoot = fileparts(fileparts(mfilename('fullpath'))); load(fullfile(projRoot, 'data', 'processed', 'cleaned_data.mat')); data_mean = mean(cleaned_data, 1); data_std = std(cleaned_data, 0, 1); % 0 表示使用 N-1 进行无偏估计 data_median = median(cleaned_data, 1); stats.mean = data_mean; stats.std = data_std; stats.median = data_median; save(fullfile(projRoot, 'data', 'processed', 'statistics.mat'), 'stats'); fprintf('统计量计算完成。均值: %s\n', mat2str(data_mean, 3)); disp('步骤3完成：统计量已计算并保存。');

src/scripts/04_generate_plots.m:

%% 生成图表 clearvars; close all; clc; projRoot = fileparts(fileparts(mfilename('fullpath'))); load(fullfile(projRoot, 'data', 'processed', 'cleaned_data.mat')); load(fullfile(projRoot, 'data', 'processed', 'statistics.mat')); figPath = fullfile(projRoot, 'figs'); if ~exist(figPath, 'dir') mkdir(figPath); end % 图1：散点图 fig1 = figure('Position', [100, 100, 800, 600]); scatter(cleaned_data(:,1), cleaned_data(:,2), 36, 'filled'); xlabel('Feature 1', 'FontSize', 12); ylabel('Feature 2', 'FontSize', 12); title('Scatter Plot of Feature 1 vs Feature 2', 'FontSize', 14); grid on; saveas(fig1, fullfile(figPath, 'scatter_plot.png')); saveas(fig1, fullfile(figPath, 'scatter_plot.fig')); % 保存MATLAB图形文件便于后续编辑 % 图2：直方图 fig2 = figure('Position', [200, 200, 700, 500]); histogram(cleaned_data(:,3), 'BinWidth', 0.5, 'FaceColor', [0.2, 0.6, 0.8]); title('Distribution of Feature 3', 'FontSize', 14); xlabel('Feature 3 Value', 'FontSize', 12); ylabel('Frequency', 'FontSize', 12); saveas(fig2, fullfile(figPath, 'histogram.png')); % 图3：箱线图 fig3 = figure('Position', [300, 300, 900, 400]); boxplot(cleaned_data(:,4:6), 'Labels', {'Feature 4', 'Feature 5', 'Feature 6'}); ylabel('Value', 'FontSize', 12); title('Boxplot of Features 4-6', 'FontSize', 14); grid on; saveas(fig3, fullfile(figPath, 'boxplot.png')); close all; % 关闭所有图形窗口 disp('步骤4完成：所有图表已生成并保存至 figs/ 目录。');

创建顶层驱动脚本main.m:

% main.m - 主分析流程驱动脚本 % 此脚本按顺序调用各个处理步骤的脚本。 clearvars; close all; clc; fprintf('========== 开始数据分析流程 ==========\n\n'); try run('src/scripts/01_load_and_merge.m'); run('src/scripts/02_clean_data.m'); run('src/scripts/03_compute_statistics.m'); run('src/scripts/04_generate_plots.m'); fprintf('\n========== 所有流程执行完毕！ ==========\n'); fprintf('结果已保存至以下位置：\n'); fprintf(' - 清洗后数据: data/processed/cleaned_data.mat\n'); fprintf(' - 统计量: data/processed/statistics.mat\n'); fprintf(' - 图表: figs/ 目录下\n'); catch ME fprintf('\n!!!!!!!!!! 流程执行出错 !!!!!!!!!!\n'); fprintf('错误发生在: %s\n', ME.stack(1).name); fprintf('错误信息: %s\n', ME.message); fprintf('请检查相关脚本和数据。\n'); end

通过这样的重构，我们获得了：

清晰的流程：每一步做什么一目了然。
独立可测试：每个脚本都可以单独运行和调试。
数据流明确：通过文件（.mat）传递数据，彻底杜绝了工作区变量冲突。
结果可复现：只要原始数据在，运行main.m就能完全复现整个分析过程。
易于维护和扩展：如果想换一种清洗方法，只需修改02_clean_data.m；如果想增加新的分析图表，可以创建05_...m脚本，并在main.m中调用。