贵州某211-实验7助睿“自媒体运营分析-数据清洗与预处理+作品特征构建+可视化探索”三合一

#助睿平台#商业数据分析 #浏览器用户用户画像 #贵州某 211 #零代码

第一部分 数据清洗与预处理

1 实验目的

本实验以全班同学在多平台发布的自媒体作品互动数据为研究对象，借助助睿 ETL 平台完成数据清洗与标准化处理，最终输出两张结构清晰的核心数据表，为后续特征工程与可视化分析提供高质量的数据基础。

完成本实验后，学习者应达到以下能力目标：

• 深刻认识数据清洗在整个数据分析流程中的基础性地位与必要性

• 熟练运用助睿 ETL 完成多源异构数据的过滤、缺失值填充、聚合等预处理操作

• 掌握「分支处理」的设计思想：全平台概况统计与重点平台深度分析采用分流处理策略

• 输出规范化的数据表结构，有效支撑仪表盘不同模块的数据消费需求 2 实验环境 实验平台：助睿在线实验平台（HTTPS://lab.guilian.cn/） 本次实验采用助睿数智（Uniplore）作为核心支撑平台。该平台是一站式数据科学解决方案，覆盖数据接入、ETL 处理、机器学习建模到可视化展示的全链路零代码能力，广泛适用于高校数据分析教学与企业级数据加工场景。 助睿数智官方网站：HTTPS://www.uniplore.com/ 数据处理工具：助睿 ETL（数据集成平台） 助睿 ETL 具备以下核心技术优势：

3 核心设计思路 3.1 数据清洗的必要性分析 从各平台采集的原始数据通常无法直接投入分析使用，必须经过清洗环节去除噪声、修正异常。观察「自媒体作品数据明细.csv」这份数据，可发现以下几类典型问题：

• 平台冗余现象：数据涵盖 B 站、CSDN、微信公众号、知乎、小红书等多个内容平台，但微信、知乎等平台的浏览数量几乎全部为 0。这些平台虽有作品记录，却缺乏核心的浏览量数据，难以支撑有价值的深度分析。

• 无效记录较多：部分作品的浏览数、点赞数、收藏数三项指标均为 0。此类记录可能源于采集失败，也可能是作品本身确实无人问津。无论何种原因，它们对统计分析均无实质贡献。

• 字段缺失问题：点赞、收藏、分享等互动字段存在空值情况，若不做处理直接计算，后续聚合操作将引发异常报错。

数据清洗的核心目标，就是系统性地解决上述问题，确保输出数据的完整性、准确性和可用性。

3.2 整体数据处理流程

本次实验的一个关键设计要点在于：后续可视化仪表盘需要同时呈现两类不同粒度的信息。

第一类为「全平台概况」——全班累计发布了多少条内容？覆盖了多少个平台？总浏览量与总互动量分别达到多少？这些宏观指标需要基于所有平台的原始数据进行统计，即便某些平台浏览数为 0 也应计入作品总数。

第二类为「重点平台深度分析」——B 站与 CSDN 两个平台的具体表现如何？播放量、阅读量、互动率分别是多少？此类分析仅需使用 B 站和 CSDN 的有效数据（即浏览数大于 0 的记录）即可完成。

由于两类信息对数据源的要求存在差异，因此在 ETL 流程中需要采用分支处理架构：

添加图片注释，不超过 140 字（可选）

图 3-1 数据处理分支流程示意图

两张输出表各司其职：summary_all_platforms 表仅用于仪表盘顶部的全平台概况指标卡展示；cleaned_details 表作为中间结果移交下一实验环节继续加工处理。

4 实验步骤

步骤一：新建目标数据表

在助睿 ETL 平台中预先创建两张目标数据表，用于存储清洗后的结果数据。

第一张为全平台概况表（summary_all_platforms），用于存放所有平台的汇总统计数据。字段设计如下：

该表不执行任何过滤操作，完整保留所有平台的原始数据记录。各平台特色指标（如 B 站的投币数、微信的推荐数、知乎的喜欢/赞同数）均单独设列保存，不合并到通用互动指标中。原因在于 B 站投币与知乎赞同的业务含义存在差异，简单相加反而模糊了数据语义，保持独立列可使读者清晰辨别各平台特有的互动行为。

第二张为内容分析表（content_analysis），作为实验第二部分的输入数据源。字段结构与原始数据基本一致，但仅包含 B 站和 CSDN 两个平台的有效记录：

其中 total_interaction、has_best、has_lowcode、has_practice、has_tutorial、has_pit 等字段的数据加工将在实验 7-2 中完成，本表仅预先定义字段结构。

步骤二：导入原始数据源

将存放于助睿 ETL 公共空间的「自媒体作品数据明细.csv」导入至个人文件库中，作为后续清洗流程的输入源。助睿 ETL 支持多种数据源接入方式，CSV 格式文件可直接通过导入功能完成接入。

本次分析所使用的数据来源于助睿 ETL 公共空间中的「自媒体作品数据明细.csv」，已采集同学们在 6 月 8 日至 6 月 15 日期间提交的作品互动数据。需要说明的是，该数据集仅覆盖采集时间节点前已发布且未被删除的作品，之后新提交或已移除的作品不在本次分析范围之内。导入操作前，请先将该文件从公共空间复制到个人文件库中。

添加图片注释，不超过 140 字（可选）

图 4-1 数据源导入界面

步骤三：全平台聚合统计

在执行数据清洗之前，先搭建一个统计分支。拖拽「排序记录」与「分组」组件至工作区，按「日期」与「平台」两个维度进行排序和分组，其余所有数值型字段统一执行求和聚合。最终输出结果写入 summary_all_platforms 表中。

此分支的设计目的在于保留全量数据的宏观统计视图，确保后续仪表盘能够展示完整的平台覆盖情况与总体数据规模。

步骤四：过滤无效记录

在另一处理分支中，利用「过滤记录」组件筛选 B 站与 CSDN 的有效数据记录，具体筛选逻辑分为两层：

1. 仅保留 B 站与 CSDN 两个平台。原始数据覆盖 B 站、CSDN、微信公众号、知乎、小红书等多个平台，但微信、知乎等平台的浏览量数据存在大面积缺失（值为 0），无法支撑有意义的分析工作，因此仅保留数据质量较好的 B 站与 CSDN 记录。

2. 剔除上述两个平台中浏览量为 0 的记录，将分析范围聚焦于真正产生了用户互动行为的作品。

借助助睿 ETL 的「过滤记录」组件，通过 AND 与 OR 逻辑运算符组合条件表达式：

(平台 = 『B 站』 AND 浏览数量 > 0) OR (平台 = 『CSDN』 AND 浏览数量 > 0)

「过滤记录」组件中的具体配置如图所示：

添加图片注释，不超过 140 字（可选）

图 4-2 过滤记录组件配置界面

逻辑说明：括号内的条件组合确保「平台判定」与「有效记录判定」两项条件同时满足，通过单个组件即可完成双重过滤。助睿 ETL 的过滤记录组件支持编写复杂条件表达式，可通过 AND、OR 灵活组合多维度筛选条件，一步到位完成精细化的数据筛选操作。

步骤五：填充缺失值

由于数值型字段不存在空值情况，但作者名称与作品标题等文本字段可能存在空值，统一填充为「未知」占位符，以避免后续使用过程中出现异常。

缺失值处理是数据清洗的标准流程之一，其核心原则是：对于可推断的缺失采用合理值填充，对于不可推断的缺失采用统一标记占位，确保下游计算的稳定性。

添加图片注释，不超过 140 字（可选）

图 4-3 缺失值填充组件配置

步骤六：字段选择与裁剪

原始数据中的 source_file 字段为采集批次标记，在分析阶段不再使用，予以剔除。投币数量（coins）字段予以保留，作为 B 站平台特有的互动指标。使用「字段选择」组件，仅保留以下字段，其余字段全部移除：

date, author_name, title, platform, likes, favorites, shares, coins, views, url

字段裁剪的意义在于减少数据传输与存储开销，同时使输出表结构更加清晰，便于下游消费者快速理解和使用。

步骤七：输出目标数据表

将经过上述处理流程的数据输出为 content_analysis 表，该表将作为实验 7-2 的输入数据源继续进行特征工程处理。

步骤八：执行完整转换流

完整的转换流设计如下图所示，确认各组件连接无误后点击运行按钮执行：

添加图片注释，不超过 140 字（可选）

图 4-4 完整转换流设计图

数据探查结果如下：

添加图片注释，不超过 140 字（可选）

图 4-5 数据探查结果

第二部分 特征工程与数据计算

1 实验目的

在实验 7-1 清洗后数据的基础上，借助助睿 ETL 完成以下两类特征的计算与存储工作：

1. 标题特征提取与互动总数计算（更新明细表）

• 计算互动总数（total_interaction = likes + favorites + shares + coins）

• 提取 5 个标题特征标志字段（has_best、has_lowcode、has_practice、has_tutorial、has_pit）

• 将计算结果更新至 content_analysis 表中

1. 关键词粒度的汇总统计分析

• 分别计算含有每个关键词的作品的平均互动总数

• 将互动汇总结果输出至 title_feature_analysis 表

完成本实验后，学习者应达到以下能力目标：

• 理解特征工程在数据分析流程中的核心作用与应用价值

• 熟练使用助睿 ETL 的「计算器」组件完成衍生指标的计算

• 掌握「JavaScript 代码」组件的使用方法，实现文本关键词的自动标注

• 运用「插入/更新」组件实现数据回填，不新建表、不覆盖已有基础数据

• 综合使用「过滤+聚合」组件组合完成分组统计计算任务 2 实验环境 实验平台：助睿在线实验平台（HTTPS://lab.guilian.cn/） 本次实验采用助睿数智（Uniplore）作为核心支撑平台，平台详情同第一部分实验环境描述。 数据处理工具：助睿 ETL（数据集成平台） 本次实验使用的核心组件如下表所示：

3 核心设计思路 本次实验构建两类特征，并将数据更新至实验 7-1 的 content_analysis 表中：

• 互动总数：likes + favorites + shares + coins，综合反映作品的用户互动规模（绝对值指标）

• 标题特征：将标题中是否包含特定关键词提取为 0/1 标志字段，用于后续量化对比这些词汇的实际传播效果 整体数据处理流程如下图所示：

添加图片注释，不超过 140 字（可选）

图 3-1 特征工程处理流程 4 实验步骤 4.1 更新 content_analysis 表（标题特征 + 互动总数） 步骤一：导入数据源 将实验 7-1 输出的 content_analysis 表作为输入源，拖入助睿 ETL 工作区。助睿 ETL 支持跨项目引用数据集，可直接选择前一实验输出的结果表作为本实验的输入。 步骤二：提取标题特征（核心分析维度） 在「JavaScript 代码」组件中，可直接使用 JavaScript 代码对 title 字段进行关键词匹配，生成 5 个标题特征标志字段。具体实现代码如下： var title = title; // 字段名直接作为变量使用 // 判断关键词是否存在 var has_best = title.indexOf(「保姆级」) !== -1 ? 1 : 0; var has_lowcode = title.indexOf(「零代码」) !== -1 ? 1 : 0; var has_practice = title.indexOf(「实战」) !== -1 ? 1 : 0; var has_tutorial = (title.indexOf(「教程」) !== -1 || title.indexOf(「指南」) !== -1) ? 1 : 0; var has_pit = title.indexOf(「踩坑」) !== -1 ? 1 : 0; // 将结果赋值给新字段（输出字段需在字段表中提前定义） has_best = has_best; has_lowcode = has_lowcode; has_practice = has_practice; has_tutorial = has_tutorial; has_pit = has_pit;

添加图片注释，不超过 140 字（可选）

图 4-1 JavaScript 代码组件配置界面 各返回字段说明如下表：

设计思路：这五个关键词在数据集中高频出现，且与「教学价值」「实操性」高度相关，是分析标题传播影响力的理想切入点。每个特征独立提取，便于在 BI 工具中进行分组对比分析。 步骤三：计算互动总数 接入「计算器」组件，新增 interactions 字段，计算公式如下： interactions = likes + favorites + shares + coins 互动总数是衡量作品综合影响力的重要指标，它整合了点赞、收藏、分享和投币四种核心互动行为，能够更全面地反映用户对内容的参与程度。 步骤四：执行数据更新 使用「插入/更新」组件，将计算好的特征数据回填到 content_analysis 表中。关键配置项如下：

字段映射关系如下表：

「插入/更新」与「表输出」的区别：如果使用「表输出」组件，每次运行都会新增数据行，容易导致数据重复。「插入/更新」组件则按 id 字段进行匹配——若 id 已存在则更新指定字段，若不存在才插入新行（本实验中 id 均已存在，因此仅执行更新操作，不新增记录）。这种机制使得本实验可以反复运行而不会产生重复数据。 步骤五：执行转换流 完整转换流设计如下图所示，确认无误后点击运行：

添加图片注释，不超过 140 字（可选）

图 4-2 特征计算转换流 数据更新结果如下：

添加图片注释，不超过 140 字（可选）

图 4-3 数据更新结果预览 4.2 输出关键词级别的汇总表 步骤一：新建目标数据表 在助睿 ETL 中创建以下目标表，用于存储本节最终输出的关键词统计数据：

步骤二：计算整体平均互动数 接入「排序记录」与「分组」组件，按 id 升序排列，不设置分组条件，直接计算 AVG(total_interaction)，得到 overall_avg（整体平均值）。 聚合完成后，接入「增加常量」组件，新增字段 feature_name = 『保姆级』，为这一行数据贴上名称标签，以便后续与关键词数据进行连接匹配。 步骤三：计算关键词的平均互动数 以「保姆级」关键词为例，表输入组件复制分发另一条分支，先连接「过滤记录」组件，设置 has_best = 1，仅保留标题中包含「保姆级」的作品记录。 随后接入「排序记录」与「分组」组件，按 id 升序排列，计算 AVG(total_interaction) 得到 avg_interaction，计算 COUNT(id) 得到 sample_count。 聚合完成后，接入「增加常量」组件，新增字段 feature_name = 『保姆级』，为这一行数据贴上对应的名称标签。 设计说明：为何需要增加常量字段？因为聚合后的数据只有数值结果，缺少关键词名称标识。如果不添加此字段，5 个分支的数据合并后将无法区分每条记录对应哪个关键词。常量字段的作用就是为每一行数据贴上「分类标签」，告知下游组件该记录对应哪个关键词的统计结果。 步骤四：合并整体平均值与关键词平均值 将整体平均值分支与关键词平均值分支进行合并操作，使用「记录集连接」组件，匹配字段为 feature_name。由于两个分支各仅有 1 行数据，因此无需预先排序。 步骤五：数据写入目标库 使用「表输出」组件将合并后的数据写入目标表。此处需要注意：不要勾选「裁剪表」选项，因为后续还有其他关键词的数据也需要入库，不能删除已写入的数据。 步骤六：执行转换流 单个关键词的互动汇总数据加工转换流如下图所示，确认配置无误后点击运行：

添加图片注释，不超过 140 字（可选）

图 4-4 单关键词汇总转换流 数据查看结果：

添加图片注释，不超过 140 字（可选）

图 4-5 关键词统计数据预览 其他关键词的数据加工方法类似：复制粘贴整个分支，然后仅修改两处配置——过滤条件（如 has_lowcode = 1）和常量值（如「零代码」），其余组件配置完全相同。最终的完整数据情况如下：

添加图片注释，不超过 140 字（可选）

图 4-6 全部关键词统计结果 5 实验输出成果

添加图片注释，不超过 140 字（可选）

图 5-1 输出数据表结构总览 6 核心知识点总结

• 多条件过滤技术：运用 AND/OR 逻辑运算符组合平台筛选与有效记录判定，单个组件即可完成双重过滤操作

• 缺失值处理策略：对文本字段统一填充默认值占位，有效避免后续计算异常

• 多日期保留机制：完整保留时间维度字段以支撑趋势分析，暂不做去重处理

• 助睿 ETL Pipeline：通过多个 Transform 步骤的有机组合，完成完整的数据加工流程

• 宽表设计理念：一次清洗、多次复用，一张宽表可支撑全部后续分析需求

第三部分 可视化分析与仪表盘搭建 1 实验目的 基于实验 7-1 与实验 7-2 输出的目标数据表，借助助睿 BI 工具完成多维度可视化分析，搭建综合数据分析仪表盘，并撰写数据驱动的运营优化报告。 完成本实验后，学习者应达到以下能力目标：

• 熟练运用助睿 BI 的聚合功能（计数、求和、平均、分组）快速制作各类图表

• 完成内容概况、学生表现排名、标题影响分析、平台对比、趋势分析等维度的可视化设计

• 掌握「从图表到洞察」的分析方法论，能够从数据中提炼有价值的业务结论 2 实验环境 实验平台：助睿在线实验平台（HTTPS://lab.guilian.cn/） 本次实验采用助睿数智（Uniplore）作为核心支撑平台，平台详情同前两部分实验环境描述。 可视化工具：助睿 BI（可视化探索平台） 助睿 BI 具备以下核心能力：

3 核心设计思路 3.1 数据特点与分析框架 在着手制作图表之前，需要先深入理解本次数据的基本特征，这直接决定了分析的重点方向与边界。 本次数据集呈现以下几个显著特点：

• 内容同质化程度高：全班发布的作品主题高度一致（均为本学期的实验作业）

• 平台分布固定：发布作品的平台相对固定，但数据质量较完整的是 B 站（视频内容）+ CSDN（图文内容）

• 作品数量相近：每位学生发布的作品数量基本一致

• 标题存在差异：尽管内容主题相同，但标题的撰写方式存在明显差异（如「保姆级」「零代码」「手把手」等关键词的使用） 上述特点意味着内容、平台、数量均为控制变量，标题策略是主要差异来源。因此，分析重心应聚焦于：在相同条件下，哪些运营策略的差异导致了数据表现的分化？ 基于以上分析，确定以下五个核心分析维度：

3.2 仪表盘布局策略 仪表盘采用「先总后分、左右对照」的布局原则：

• 顶部指标卡分两行排布：第一行展示全平台概况指标，第二行聚焦 B 站与 CSDN 重点平台

• 主体内容分为左右两栏：左栏展示 B 站平台的全部分析图表，右栏展示 CSDN 平台的全部分析图表

• 每栏内部按「排名分析 → 标题分析 → 趋势分析」的逻辑顺序排列，形成完整的分析闭环 3.3 从图表到业务洞察 每一张图表都应回答一个具体的业务问题。阅读仪表盘时，读者应自然经历以下思考路径：建立整体认知（指标卡）→ 发现差异问题（排名分析）→ 定位深层原因（标题影响分析）→ 观察变化规律（趋势分析）。 以下是常见图表类型的解读方法论： （1）排名类图表

• 观察方法：重点关注头部（前三名）和尾部（后三名）。头部代表优秀实践，尾部反映普遍问题

• 洞察方向：头部作品的内容有哪些共同特征？尾部作品存在什么共性问题？ （2）对比类图表

• 观察方法：关注两组数据差距的绝对值与相对值

• 洞察方向：差距大 → 该因素影响显著，值得深入分析；差距小 → 该因素影响有限，不必过度关注 （3）分布类图表

• 观察方法：关注数据集中分布的区间，以及是否存在异常离群点

• 洞察方向：大多数数据集中在低值区间 → 整体水平偏低；存在明显离群点 → 该样本值得单独研究 （4）趋势类图表

• 观察方法：关注曲线的整体走向（上升/下降/平稳）与关键拐点

• 洞察方向：持续上升 → 存在积累效应；先升后平 → 增长存在天花板；波动较大 → 可能受随机因素干扰 （5）散点图（双变量分析）

• 观察方法：关注点的整体分布模式与异常偏离点

• 洞察方向：正相关 → 两个指标同步变化；无相关 → 两个指标相互独立；负相关 → 一个上升另一个下降；异常点 → 脱离整体模式，值得单独分析 掌握以上图表解读方法，便能从每一张图表中提炼出具有业务价值的深度洞察。 4 实验步骤 步骤一：连接数据源 从助睿实验平台进入助睿 BI 平台，团队私有数据库的数据源已在前期实验中完成连接配置，本次实验无需重新进行数据源连接操作。 步骤二：构建数据集 使用实验 7-1、7-2 输出的 summary_all_platforms、content_analysis、title_feature_analysis 三张表，分别构建三个独立的数据集。

添加图片注释，不超过 140 字（可选）

图 4-1 数据集构建示意图 步骤三：制作各类分析工作表 （1）核心指标卡——快速建立整体认知 指标卡的核心作用是将最关键的几个数据指标突出展示，使读者能够在数秒内建立起对数据全貌的整体认知。本次实验共设计 9 张指标卡： 第一行 4 张展示全平台概况：

• 全平台作品总数（全班累计发布了多少条作品）

• 分发平台数（数据来源于多少个平台）

• 全平台总浏览数（所有平台合计的总流量）

• 全平台总互动数（所有平台合计的总互动数量） 第二行 5 张聚焦重点平台：

• B 站作品数、CSDN 作品数（两个平台各自的内容体量）

• B 站总播放量、CSDN 总阅读量（各自的总流量规模）

这 9 张指标卡形成一条清晰的认知路径：先看整体总量，再看分平台体量，最后看质量指标。

（2）排名分析图表——识别标杆与爆款

排名分析图表分为两组：学生排名与作品排名。

学生排名解决的是「谁做得更好」的问题：按作者维度分组，计算该学生在某平台上所有作品的平均播放量（或阅读量），降序排列后取前十名。该排名反映的是学生个人的整体运营水平。

作品排名解决的是「什么内容表现出色」的问题：直接按单篇作品的播放量（或阅读量）排序，取前十名。该排名揭示的是单篇爆款作品的特征规律。

两组排名结合使用：先通过学生排名锁定表现优异的同学，再深入分析其具体作品内容，便可总结出可复制的运营经验。左右两栏分别展示 B 站与 CSDN 的排名情况，便于对比同一学生在两个平台上的表现差异。

（3）标题影响分析图表——量化关键词效果

标题影响分析是本实验最具价值的分析模块。在内容高度同质化的条件下，标题策略是导致数据差异的核心因素之一。其业务价值在于：用数据回答「什么样的标题效果更好」这一问题，直接指导未来的内容创作实践，使标题写作从「凭感觉」升级为「数据驱动」。

具体制作方法为：分别计算含有某个关键词（如「保姆级」）的作品的平均播放量，再除以整体平均播放量，得出「提升倍率」指标。例如提升倍率为 1.4，表示含该关键词的作品平均播放量比整体平均水平高出 40%。使用条形图展示所有关键词的提升倍率，柱子越长说明该关键词的效果越显著。

此外还可制作更直观的对比图：含「保姆级」与不含「保姆级」两组作品的柱状对比，一眼即可看出差异大小。左右两栏分别制作 B 站与 CSDN 的标题分析，因为同一关键词在不同平台的传播效果可能存在差异。

（4）趋势分析图表——观察时间变化规律

趋势分析回答的是「数据随时间如何演变」这一问题。此处的「日期」指采集日期而非作品发布时间，同一作品在 6 月 8 日、9 日、10 日均会被采集到，播放量呈逐日累加态势，因此趋势折线图展示的是截止到每个采集日所有已发布作品的总播放量/阅读量的累积变化。

若需进一步观察老作品的持续传播力，可增设一张「老作品趋势图」——先筛选出 6 月 8 日已存在的作品，仅统计它们在后续日期中的播放量变化。整体趋势图反映大盘走势（受新作品不断加入的影响），老作品趋势图反映内容本身的长尾效应（排除了新作品的干扰因素）。两张图表互补使用，有助于判断班级整体的流量增长是依靠新作品驱动，还是老内容也在持续产生价值。

步骤四：搭建综合仪表盘

仪表盘的布局遵循以下逻辑：核心指标置顶（一目了然），概况类图表靠前（先建立整体认知），深度分析靠后。参考布局示意如下：

添加图片注释，不超过 140 字（可选）

图 4-2 综合仪表盘布局参考

步骤五：撰写分析报告

从仪表盘中导出关键图表，撰写完整的数据分析报告。报告应清晰呈现三个层次的内容：

1. 现状描述——当前数据表现如何（数据客观描述）

2. 原因分析——为什么会呈现这样的结果（深层原因剖析）

3. 优化建议——未来应当如何改进（可操作的改进方向）

每条结论均需配备对应的图表作为数据支撑，确保结论的可信度与说服力。

5 核心知识点总结

• 指标卡设计原则：核心 KPI 突出展示，使读者在数秒内建立整体认知

• 学生排名+作品排名双视角：前者找「谁做得好」，后者找「什么内容好」，两者互为补充

• 标题影响力量化方法：通过提升倍率计算公式，精准识别最有效的标题关键词

• 趋势分析方法论：利用多日期数据观察累积变化，区分整体趋势与老作品持续价值