学生用户画像-考勤主题扩展标签构建、可视化实验文档

学生用户画像考勤主题扩展标签构建与可视化一、实验名称实验课3学生用户画像-考勤主题扩展标签构建、可视化。二、实验目的基于 student_attendance_stats 学生考勤主题标签表使用 K-Means 对迟到、早退、请假、没穿校服等行为指标进行自动分群。将聚类簇编号解释为可理解的考勤群体标签并回写 cluster、attendance_group 扩展字段。在助睿 BI 中基于 se_group_20 私有库构建数据集、工作表和仪表盘完成纪律高危型学生画像分析。通过性别、年级、校区、班级等维度识别纪律高危型学生分布特征为精细化管理提供数据依据。三、实验环境项目说明平台贵兰 X 助睿实践教学平台https://lab.guilan.cn/教程https://community.uniplore.com/t/topic/76https://community.uniplore.com/t/topic/77项目使用继续使用已有“学生用户画像标签构建”项目未新建无关项目。数据库团队私有库 se_group_20不使用公共示例库作为最终数据源。核心表student_cluster、student_attendance_stats四、实验数据说明实验数据来自 se_group_20 中的学生考勤主题表。student_attendance_stats 汇总学生信息、班级、年级、校区类型、迟到次数、早退次数、请假次数、没穿校服次数等字段K-Means 输出写入 student_cluster 后再通过扩展标签转换流回写到 student_attendance_stats。表名用途raw_student_info学生基础信息来源表。raw_attendance学生考勤记录来源表。raw_attendance_type考勤类型字典表。student_clusterK-Means 聚类结果表保存学生ID、班级ID、Cluster。student_attendance_stats考勤主题标签表作为扩展标签回写和可视化分析的数据集来源。五、实验步骤1.进入已有项目登录平台后进入“数据集成”继续使用已有项目“学生用户画像标签构建”。该项目包含创建主题表、导入原始数据、学生考勤主题标签、增加考勤群体分类标签等转换流。图1 登录账号后进入数据集成项目列表。图2 进入已有项目中的“增加考勤群体分类标签”转换流。2. 构建考勤主题表与 K-Means 聚类先执行学生考勤主题标签转换流生成或更新 student_attendance_stats随后在人工智能模块配置 K-Means 工作流固定聚类数为 3并将结果写入 se_group_20.student_cluster。图3 学生考勤主题标签转换流画布。图4 转换流执行日志显示成功。图5 AI 工作流数据库加载、K-Means、数据入库。图6 K-Means 参数设置为固定 3 簇。图7 数据入库目标表配置为 se_group_20.student_cluster。图8 AI 工作流任务运行成功。图9 student_cluster 预览可见聚类输出结果。3.聚类解释与扩展标签回写教程 76 要求先观察聚类结果再将机器生成的 C1/C2/C3 转换为业务标签。本实验在可视化探索中配置六组“两两指标 聚类簇编号”的聚类解释圆点图标记类型选择“圆”颜色编码选择“聚类簇编号”用于判断不同簇在迟到、早退、请假、没穿校服上的差异。图10 迟到次数与早退次数按聚类簇编号对照。图11 迟到次数与请假次数按聚类簇编号对照。图12 迟到次数与没穿校服次数按聚类簇编号对照。图13 早退次数与请假次数按聚类簇编号对照。图14 早退次数与没穿校服次数按聚类簇编号对照。图15 请假次数与没穿校服次数按聚类簇编号对照。按教程后续值映射步骤配置C1轻微波动型C2自律模范型C3纪律高危型以值映射组件最终配置为准。随后更新组件将 Cluster 与 attendance_group 回写到 student_attendance_stats。图16 值映射组件配置Cluster 映射为 attendance_group。图17 更新组件配置目标库 se_group_20目标表 student_attendance_stats。图18 更新组件关键字与更新字段配置。图19 数据视图验证聚类簇编号与考勤群体分类均已有实际值。4.配置 BI 数据源与数据集教程 77 的可视化数据集基于 se_group_20.student_attendance_stats。创建 MySQL 数据源并测试连接成功后在数据集中选择该表保存发布为“考勤画像数据集”。图20 MySQL 数据源配置指向团队私有库 se_group_20。图21 数据源连接测试成功。图22 数据集选择 se_group_20 中的 student_attendance_stats。图23 数据集字段和预览数据。图24 已发布的“考勤画像数据集”在数据集列表中可预览。5.纪律高危型可视化工作表可视化分析统一筛选 attendance_group 纪律高危型。人数类指标使用“学生ID”的去重计数避免将学生ID求和。图25 筛选器配置为仅选择“纪律高危型”。图26 纪律高危型总人数指标卡去重计数结果为 715。图27 纪律高危型性别占比饼图。图28 纪律高危型年级分布柱状图。图29 校区类型与年级交叉堆叠柱状图。图30 纪律高危型班级分布水平条图。图31 工作表发布/保存成功。6.综合仪表盘在仪表盘模块进入“纪律高危型学生画像综合仪表盘”将前述总人数、性别占比、校区年级交叉、年级分布和班级分布等内容集中到同一画布中。画布截图可同时看到多个组件列表预览截图用于证明发布后的综合效果分享入口截图用于证明仪表盘可按平台流程继续分享。图32 仪表盘编辑器左侧可见已保存的多个可视化工作表资源。图33 综合仪表盘编辑画布总人数、性别饼图、校区年级交叉图、年级柱状图和班级分布组件集中展示。图34 仪表盘发布保存后编辑时间更新且画布保持综合组件。图35 仪表盘列表预览效果可同时看到多个可视化组件。图36 仪表盘分享入口。六、关键配置说明配置项本实验配置说明目标数据库se_group_20使用本人小组私有库避免读取公共库或其他组数据。聚类输出表student_cluster保存 K-Means 输出的学生聚类簇。回写目标表student_attendance_stats最终画像主题表也是 BI 数据集来源。值映射C1轻微波动型C2自律模范型C3纪律高危型按教程后续值映射步骤和组件最终配置执行。可视化筛选attendance_group 纪律高危型聚焦教程 77 的目标学生群体。人数口径学生ID 去重计数用于指标卡、饼图、柱状图和条图的人数统计。七、查询/运行验证ETL 转换流和 AI 工作流均已运行成功student_cluster 可预览聚类结果student_attendance_stats 的数据视图可看到 cluster 与 attendance_group 的实际值。纪律高危型总人数为 715性别占比中未知性别占比较高男、女样本量较小说明基础信息中性别字段仍需进一步治理。在班级分布中高三(09)、高三(13)、高二(11)等班级人数较高说明纪律高危型学生存在一定班级聚集现象。八、可视化结果分析从性别看未知性别占比较高因此性别图更适合作为数据质量和画像维度完整性的提示正式管理分析前应补齐或规范性别字段。从年级看纪律高危型学生集中在高二、高三需要结合升学压力、课程安排和班级管理差异进一步分析。从校区与年级交叉看不同校区的高危学生分布存在差异可按校区配置不同的考勤管理策略。从班级看部分班级高危人数明显靠前后续可对这些班级进一步下钻到学生和异常考勤类型层面制定更具体的干预措施。九、实验总结本次实验的关键是把 K-Means 聚类、聚类解释、值映射、扩展标签回写、BI 数据集和可视化分析串成完整闭环。数据库必须使用 se_group_20 私有库数据集必须基于 student_attendance_stats人数统计必须使用学生ID去重计数。若误用公共库、其他小组库或学生ID求和都会导致数据异常。通过纪律高危型画像分析可以从总量、性别、年级、校区、班级等角度识别重点关注群体。聚类标签使原始考勤记录转化为可解释、可管理的学生画像标签为校园考勤管理和后续干预提供了数据支撑。