实验7.2

实验7-2：自媒体运营分析-作品特征构建 实验报告（改写版）

一、实验目的

本实验基于实验7-1已清洗完成的自媒体作品明细数据，借助助睿ETL工具完成作品特征构建与数据统计存储，主要实现两大核心任务：

1. 优化更新作品明细数据：计算作品整体互动数据指标，同时提取标题关键词特征标签，完善明细数据表字段内容；

2. 完成关键词维度数据汇总：统计不同标题特征关键词对应的作品平均互动数据，生成关键词维度的统计分析表。

通过本次实验，可熟练掌握特征工程在数据分析中的应用逻辑，能够独立使用ETL工具完成指标计算、文本特征提取、数据更新、分组聚合统计等操作，理解明细数据与汇总数据的加工差异，为后续自媒体运营数据分析、内容效果评估奠定基础。

二、实验环境与工具

本次实验依托助睿在线实验平台开展，使用Uniplore助睿数智一站式数据科学平台完成全流程数据加工。平台支持零代码拖拽式ETL数据处理，涵盖数据接入、清洗转换、聚合统计、数据入库等全链路功能，适配教学类数据分析实训场景。

实验核心工具为助睿ETL数据集成平台，核心优势包括元数据标准化管理、零代码可视化操作、丰富的数据处理组件、标准化Pipeline数据流转机制，基于开源引擎搭建，稳定性与扩展性较强。

本次实验核心使用组件及功能：

表输入：读取历史清洗后的明细数据表数据；

计算器：自定义公式计算衍生业务指标；

JavaScript代码：实现文本关键词匹配，自动提取标题特征；

插入/更新：按主键匹配更新数据表，避免数据重复；

过滤记录、分组聚合：实现条件筛选与维度统计；

增加常量、合并记录：统一数据标签，整合多分支统计结果；

表输出：将最终统计结果写入目标汇总数据表。

三、实验设计思路

本次实验核心是作品特征构建与特征效果量化分析，整体分为两大数据加工链路：

第一，作品级明细特征加工。以单条自媒体作品为粒度，整合点赞、收藏、转发、金币四项互动数据，计算作品总互动量，直观反映单作品的用户热度；同时通过文本匹配，提取标题中的五类核心关键词特征，转化为0/1量化标签，实现标题风格的数字化表征，丰富明细数据维度。

第二，关键词级汇总统计加工。以标题特征关键词为分析维度，分别统计含对应关键词作品的平均互动数据、作品样本数量，同时计算平台整体作品平均互动水平，对比分析不同标题风格的运营效果，形成维度化的统计分析数据。

四、详细实验步骤

4.1 更新作品明细表（新增互动指标+标题特征）

本环节主要对实验7-1生成的content_analysis明细表进行字段扩充与数据更新，不新增数据行、不覆盖原有基础数据。

1. 数据导入：通过「表输入」组件，读取实验7-1已清洗完成的content_analysis明细数据，支持跨项目引用历史数据集。

2. 标题特征提取：接入「JavaScript代码」组件，针对作品标题字段完成关键词匹配，生成5个二元特征标签，具体规则如下：

has_best：标题包含“保姆级”则为1，否则为0；

has_lowcode：标题包含“零代码”则为1，否则为0；

has_practice：标题包含“实战”则为1，否则为0；

has_tutorial：标题包含“教程”或“指南”则为1，否则为0；

has_pit：标题包含“踩坑”则为1，否则为0。

1. 总互动量计算：接入「计算器」组件，自定义计算公式，新增总互动指标：total_interaction = likes + favorites + shares + coins，整合四类用户互动数据，量化作品整体热度。

4. 数据回填更新：使用「插入/更新」组件完成数据入库，核心配置：目标表为content_analysis，以id字段作为唯一匹配主键，仅更新新增的特征字段与互动指标。该组件可实现存在数据则更新、无数据则新增的逻辑，避免重复数据产生，支持反复运行调试。

5. 执行数据流转链路，完成明细表数据更新。

表输入 分两路输出：

1. 上分支（全局整体均值）： 表输入 → 按平台名称排序 → 统计整体平均互动总数 → 按平台名称排序 1 → 记录集连接（上端输入）
2. 下分支（关键词筛选统计）： 表输入 → 过滤记录（has_best=1）→ 按平台名称排序 2 → 统计含关键词作品平均互动 → 按平台名称排序 11 → 记录集连接（下端输入） 记录集连接 → 增加常量（feature_name = 保姆级） → 表输出 过滤记录的失败分支 → 空操作（丢弃无效数据）

二、逐节点配置步骤

1. 表输入

读取content_analysis，勾选字段：platform、total_interaction、has_best，双向分流输出。

2. 上分支：全平台整体均值（基准流）

1. 排序（按平台名称排序）排序字段：platform，升序；
2. 聚合（统计整体平均互动总数）分组字段：platform； 聚合：平均值 total_interaction → 输出字段overall_avg；
3. 排序 1（按平台名称排序 1）再次按platform升序排序（满足记录集连接要求上下游同序）。

3. 下分支：关键词筛选统计流

1. 过滤记录（has_best = 1）匹配条件：has_best = 1； 匹配成功走主输出，不匹配走失败分支连「空操作」组件；
2. 排序 2（按平台名称排序 2）排序字段：platform升序；
3. 聚合（统计含关键词的作品平均互动）分组字段：platform； 聚合 1：平均值 total_interaction → avg_interaction； 聚合 2：计数所有行 → sample_count；
4. 排序 11（按平台名称排序 11）按platform升序排序，保证和上分支排序一致。

4. 记录集连接（两条流合并）

1. 上端输入：全局均值分支；下端输入：关键词统计分支；
2. 连接关键字：platform；
3. 连接类型：内连接；
4. 输出字段：platform、overall_avg、avg_interaction、sample_count。

5. 增加常量（feature_name = 保姆级）

新增字段feature_name，常量值：保姆级，标记当前关键词。

6. 表输出

目标表：title_feature_analysis，不勾选截断表； 字段映射： platform → platform feature_name → feature_name avg_interaction → avg_interaction overall_avg → overall_avg sample_count → sample_count id 为表自增主键，无需映射。

7. 空操作组件

仅接收过滤失败数据，无任何处理，单纯丢弃不参与统计。

三、批量生成剩余 4 组关键词

完整复制整条转换流（表输入到表输出全部节点），复制 4 次，仅修改两处：

1. 过滤条件： 零代码：has_lowcode = 1 实战：has_practice = 1 教程：has_tutorial = 1 踩坑：has_pit = 1
2. 增加常量feature_name对应改为：零代码 / 实战 / 教程 / 踩坑

四、平台操作关键避坑

1. 记录集连接上下游必须提前按 platform 排序，否则报错；
2. 过滤失败分支必须连接空操作，不能悬空；
3. 每条关键词独立一套完整拓扑，最后可使用「合并记录」将 5 套流合并再统一写入表输出；
4. 表输出不开启截断，多次运行不会清空历史统计数据。

五、实验输出结果

1. content_analysis（作品明细表）：在原有明细数据基础上，新增作品总互动量、5类标题特征标签，实现单作品多维度特征量化，支撑明细数据查询与个体分析。

2. title_feature_analysis（关键词汇总表）：以标题特征为维度，存储各关键词对应的作品平均互动数据、样本数量及平台整体均值，用于对比不同标题风格的自媒体运营效果。

六、实验核心总结

本次实验完成了自媒体作品的特征工程构建，实现了从原始清洗数据到特征量化、维度统计的全流程加工。通过零代码ETL组件，完成了数值指标计算、文本特征提取、数据增量更新、分组聚合统计等核心操作，有效解决了文本标题无法量化分析的问题。同时区分了表输出与插入/更新组件的使用场景，掌握了明细数据更新与汇总数据统计的差异化加工逻辑，为后续自媒体内容运营效果分析、标题优化策略制定提供了数据支撑。