dplyr与base R筛选奥运数据结果不一致问题求助

Hey there! Let's break down why your Base R code was misbehaving and fix it up properly.

1. 警告与行数差异的原因 #

你最初的Base R代码行：

medalwinners_baseR <- subset(olympics, Medal == c("Bronze", "Silver", "Gold"))

存在一个关键问题：==是逐元素匹配运算符，而非“检查值是否属于某个集合”的工具。当你用较长的向量（Medal列）和较短的向量（c("Bronze", "Silver", "Gold")）对比时，R会循环重复短向量来匹配长向量的长度，这意味着它的匹配逻辑是：

• 第1行：Medal == "Bronze"
• 第2行：Medal == "Silver"
• 第3行：Medal == "Gold"
• 第4行：Medal == "Bronze"（循环重复）
• ...以此类推

这种方式只会保留那些Medal值恰好符合循环位置的行，这就是为什么你得到的行数远少于dplyr版本（1651 vs 5000），同时触发了“longer object length is not a multiple”警告。

而你的dplyr代码使用grepl("Bronze|Silver|Gold", Medal)，能正确检查每个Medal值是否属于这三者之一，不受位置影响。

2. 修正后的Base R代码 #

以下是完全匹配你dplyr工作流的修正版Base R代码：

步骤1：正确筛选奖牌获得者 #

# 用%in%替代==，检查值是否属于目标集合
medalwinners_baseR <- subset(olympics, Medal %in% c("Bronze", "Silver", "Gold"))

%in%才是这里的正确工具——它会逐个检查Medal列的元素是否存在于奖牌类型向量中，和你dplyr代码里的grepl作用完全一致。

步骤2：统计各队奖牌数（更简洁的Base R写法） #

比起split() + sapply(nrow)，我们可以用专门用于分组计数的table()函数：

medals_perteam_baseR <- table(medalwinners_baseR$Team)
# 按奖牌数降序排序
medals_perteam_baseR <- sort(medals_perteam_baseR, decreasing = TRUE)

这会得到和你dplyr生成的medals_perteam完全一致的结果。

步骤3：筛选前10名国家的记录 #

topmedals_baseR <- medalwinners_baseR[medalwinners_baseR$Team %in% names(medals_perteam_baseR)[1:10], ]

现在你可以检查nrow(topmedals_baseR)，它应该和dplyr版本的topmedals行数一致。

3. 附加：制作前10名奖牌榜柱状图（Base R） #

既然你的目标是生成前10国家的柱状图，这里是对应的Base R代码：

# 提取前10名的奖牌数
top10_medals <- medals_perteam_baseR[1:10]

# 创建带格式的柱状图
barplot(top10_medals,
        main = "奥运奖牌数Top10国家",
        xlab = "国家",
        ylab = "总奖牌数",
        col = "steelblue",
        las = 2,  # 旋转x轴标签提升可读性
        cex.names = 0.8)  # 缩小标签尺寸避免重叠

验证 #

运行修正代码后，你可以通过以下代码确认和dplyr结果的一致性：

# 检查筛选后的奖牌获得者行数是否匹配
nrow(medalwinners) == nrow(medalwinners_baseR)
# 检查前10名国家列表是否一致
all(names(medals_perteam)[1:10] == names(medals_perteam_baseR)[1:10])

两行代码都应该返回TRUE。

内容的提问来源于stack exchange，提问作者TvCasteren