データの癖#
このデータで何が言えて、何が言えないか。
先に結論だけ言うと、olympicAthletes は年代によって性質が変わる。
全期間を一括で扱うと、実態ではなく記録の整備状況を分析してしまう。
| 分析対象 | 使える期間 | 理由 |
|---|---|---|
| 参加者数・性別 | 全期間 | sex は欠損ゼロ |
| 国別メダル数 | 全期間（ただし medal_table を使う） |
公式集計は完全 |
| 選手データからのメダル集計 | 1896-2016 | 2018 年以降は 2〜3 割の種目が欠落 |
| 身長・体重・BMI | 1960-2016 | 両端で 4〜9 割が欠損 |
| 年齢 | 1960 年以降を推奨 | それ以前は最大 43% が欠損 |
以下はその根拠。
1. 大会の規模#
1 大会あたりの「選手 × 種目」行数。1990 年代以降ほぼ横ばいなのは、 IOC が種目数と参加人数に上限を設けているため。 点線は中止された 1916 / 1940 / 1944 年大会で、選手データに行がない。
2. 身長・体重の欠損は 2018 年に逆戻りする#
height / weight の欠損率は 1950 年代まで 7 割前後、1960 年代に 6% へ急落し、
2018 年以降ふたたび 4〜7 割に戻る。
| 大会 | height 欠損 | noc 欠損 |
|---|---|---|
| 2016 夏 | 1.3% | 0% |
| 2018 冬 | 3.8% | 6.7% |
| 2020 夏 | 44.7% | 9.5% |
| 2022 冬 | 41.5% | 7.1% |
| 2024 夏 | 65.7% | 10.4% |
| 2026 冬 | 63.2% | 7.2% |
全期間で「時代とともに選手が大型化した」と言うと、実際には 記録が残った選手の偏りの変化を見ていることになる。 そのため身体データの分析は 1960-2016 年 に固定している。
3. メダルも 2018 年以降は 2〜3 割足りない#
選手データから種目単位に集計したメダル数を、公式 medal_table の総数と
突き合わせるとこうなる。
| 大会 | 選手データ由来 | 公式総数 | 網羅率 |
|---|---|---|---|
| 1996 夏 | 841 | 842 | 99.9% |
| 2012 夏 | 962 | 960 | 100.2% |
| 2016 夏 | 973 | 972 | 100.1% |
| 2020 夏 | 839 | 1,080 | 77.7% |
| 2024 夏 | 802 | 1,044 | 76.8% |
| 2014 冬 | 295 | 295 | 100.0% |
| 2018 冬 | 244 | 307 | 79.5% |
| 2026 冬 | 259 | 349 | 74.2% |
これは「種目ごと欠落」ではなく「メダル列だけ欠落」#
2024 年パリ大会を分解すると:
- 選手データ中の種目数: 323
- そのうちメダルが 1 つでも付いている種目: 249
- 選手はいるがメダルが 0 の種目: 74（ボート 12・競泳 7・陸上 6 など）
つまり選手も種目も入っているのに、メダル列だけが埋まっていない。 上流の取り込み漏れである可能性が高い（分析候補の E-1）。 もしそうなら上流の更新で解消し、2016 年で切る制約は外れる。
そのため国別メダル数の分析には公式 medal_table だけを使っている。
4. 集計時の落とし穴#
実装上どう対処したかは 前処理の方針 に書いた。
4-1. medal の NA は「メダルなし」#
86% が NA だが、これは欠損ではなく「入賞しなかった」を表す。 欠損として除外するとメダリストだけが残る。
4-2. 団体競技はメダル 1 個に選手行が人数分ある#
1908 年の体操団体は、1 つの金メダルに 38 行が対応する。 選手行をそのまま数えると水増しになる。
2024 夏の USA は、メダルの付いた選手行が 195。 種目単位に一意化すると 99。
4-3. (id, games, event) の重複 1,480 行は多くが実在#
芸術競技での複数作品出品、セーリングで同一選手が複数の艇に乗り 別々のメダルを獲得したケースなどを含む。重複キーの 8 割は 1948 年以前。 安易に重複排除すると実データを壊す。
4-4. 種目単位のメダル集計も公式と完全一致はしない#
選手データが揃っている 1896-2016 の 51 大会で突き合わせると、 平均 1.2 件、最大で +7 / −4 件ずれる（1 大会あたり 0.1〜0.2%）。
- 過小: 同一 NOC が同一種目で同色メダルを 2 つ獲得すると 1 件に潰れる
- 過大: 同着や、公式表と種目の括り方が違うケース
比較の用途には十分だが、メダル数そのものを示す図には使わない。
4-5. 1 種目のメダルが 4 件になるのは正常#
柔道・ボクシング・レスリング・テコンドーは銅を 2 個授与する。 2024 夏では 249 種目中 55 種目が該当。 2016 夏で確認したところ、1 種目あたりのメダル件数は 3 件か 4 件しかなく、 5 件以上になる種目は存在しない。
5. 夏と冬を混ぜない#
これは欠損とは別だが、同じくらい間違えやすい。
冬季は参加国も種目数も夏季と桁が違う。合算すると:
- メダルのシェア: 分母が混ざって意味を失う。冬季だけで強い国が夏季の物量に埋もれる
- 時系列: 1994 年以降は夏と冬が別の年に開催されるため、合算した折れ線は 「夏の年」と「冬の年」を交互にプロットすることになる。 実際これで、体格の推移図に変化ではなく競技構成の違いによるギザギザが出ていた
本リポジトリではメダルと体格の図をすべて夏冬で分けている。
6. この文書の数値は自動検証している#
ここと README、前処理の方針 に書いた固定の数値は、
tests/check_claims.R が実データと突き合わせて CI で検証している。
olympicAthletes は更新中のパッケージなので、上流がデータを足すと
本文だけが静かに古くなるため。詳細は 開発 を参照。