使用R统计数据集25岁及以下乘客数结果为0的问题排查

统计数据集people中年龄在25岁及以下的乘客总人数，统计过程要求使用PERSON_TYPE和AGE两个字段完成。

library(tidyverse)
people %>%
  filter(
    AGE <= 25 &
    PERSON_TYPE == "PASSENGERS") %>%
  count()

上述代码运行后返回的计数结果为0，且其他同类型的字段计数统计代码运行后也均返回0结果，和数据实际分布预期不符。

• 优先排查分类字段值匹配错误：PERSON_TYPE为分类字段，90%以上的同类0结果问题都是硬编码的匹配值和字段实际取值不匹配导致的，常见不匹配场景包括：实际值为小写格式passengers、值前后带多余空格" PASSENGERS "、为单数形式"PASSENGER"、首字母大写格式"Passengers"、甚至是数字编码而非字符串。直接运行people %>% count(PERSON_TYPE, sort = TRUE)即可查看该字段所有唯一取值和对应计数，找到代表乘客的真实取值后替换过滤条件中的匹配内容即可。
• 排查AGE字段格式异常：运行summary(people$AGE)查看字段类型和值分布，如果AGE是字符类型而非数值类型，<= 25的数值比较逻辑会直接失效，需要先通过mutate(AGE = as.numeric(AGE))转换类型后再做过滤；如果字段值带非数字字符（比如值为"24岁"这类带单位的格式），需要先提取字符串中的数字部分再做类型转换；另外如果字段存在大量NA缺失值，也会被过滤条件直接排除，需要确认缺失值占比是否符合预期。
• 排查字段名拼写错误：运行colnames(people)查看数据集所有字段名，确认是否存在大小写不一致（比如实际字段名为小写age、person_type）、字段名带多余空格或后缀的情况，字段名拼写错误会导致R识别不到对应列，过滤逻辑失效。
• 排查数据集读入异常：先运行nrow(people)确认数据集本身是不是空对象、有没有读入报错，再运行head(people)查看前几行数据，确认数据内容是否和预期一致。

内容的提问来源于stack exchange，提问作者Jessica Amey