当前位置：首页 > news >正文

聚焦“纪律高危型”学生的考勤画像深度分析

news 2026/5/25 1:35:45

1. 实验概述

1.1 实验目的

本实验是在完成学生考勤群体聚类（已分出模范型、波动型、高危型）的基础上，专门针对“纪律高危型” 学生群体进行一次深度的、多维度的数据画像分析。旨在通过可视化手段，从性别、年级、校区、班级等多个角度，精准剖析该群体的构成特征与分布规律，为学校制定靶向性的考勤管理措施、干预策略和学风建设提供客观、量化的数据依据。

1.2 实验环境与工具

实验平台：助睿数智（Uniplore）在线数据科学平台。

核心工具：助睿BI（数据可视化探索平台），用于创建数据集、工作表和仪表盘。

数据来源：团队私有MySQL数据库中的 student_attendance_stats 表。该表已包含上一轮实验生成的“聚类簇编号”和“考勤群体分类”字段。

2. 实验数据准备

2.1 数据表说明

本次实验直接使用上一阶段产出的 student_attendance_stats（学生考勤主题标签表）。这张表不仅包含学生的迟到、早退等基础考勤计数，还集成了通过K-Means模型计算出的 cluster（聚类簇编号）和 attendance_group（考勤群体分类，如“纪律高危型”）等重要标签。

2.2 核心分析字段

为了构建“纪律高危型”学生的完整画像，我将主要使用以下字段进行多维度筛选与交叉分析：

3. 详细实验操作流程

3.1 构建基础数据集

首先进入“助睿BI”模块，在“数据集”菜单下，基于已有的数据库连接，新建一个名为“学生考勤主题数据集”的数据集。我将student_attendance_stats表拖入工作区，并保存发布。这个数据集将作为后续所有工作表的统一数据源。

3.2 制作核心分析工作表

接下来，我逐一创建了多个工作表，分别从不同角度剖析高危群体。

3.2.1 整体规模概览（指标卡）

为了直观把握高危群体的整体情况，我制作了四个指标卡：

高危型总人数：使用“指标卡”组件，对student_id进行“去重计数”，并设置筛选器attendance_group为“纪律高危型”。结果显示该群体总数为421人。

高危型男生/女生/未知人数：在上述指标卡的基础上，分别增加gender字段的筛选条件（“男”、“女”、“未知”），得到男生45人、女生38人、未知性别338人。

初步观察：高危群体中男生人数（45人）多于女生（38人），存在性别差异，需要结合全校基数进一步分析。

3.2.2 性别特征分析（饼图）

高危群体性别占比：新建“饼图”工作表，将student_id（去重计数）作为“值”，gender作为“分类”。在过滤器中，排除性别为“未知”的记录，并限定attendance_group为“纪律高危型”。通过样式设置，显示了百分比标签。结果显示，在高危群体中（已知性别部分），男生占比54.22%，女生占比45.78%。

全校性别占比（对比基准）：复制上述饼图，仅移除attendance_group的筛选条件，得到全校（已知性别部分）的性别分布为：男生53.03%，女生46.97%。

对比洞察：男生在高危群体中的占比（54.22%）略高于其在全校的基数占比（53.03%），表明男生在考勤违纪上的真实风险略高，是需要重点关注的性别群体。

3.2.3 年级特征分析（柱状图）

新建“柱状图”工作表，将grade字段拖入X轴，student_id（去重计数）拖入Y轴。

设置筛选器attendance_group为“纪律高危型”。

分析结果：高三年级的高危学生人数（261人）远高于高一（90人）和高二（149人）。这揭示了高危行为与学生所处年级（尤其是高三年级面临的升学压力、自主时间增多等因素）有强关联。

3.2.4 校区与年级交叉分析（堆叠柱状图）

在上述“年级分析”柱状图的基础上，将campus_type字段拖入“分组”区域，生成堆叠柱状图，直观对比新、老校区在各年级的高危人数分布。

关键发现：

老校区是高危学生的绝对聚集区，且人数随年级递增（高一80人 → 高二130人 → 高三261人）。

新校区高危学生总数很少（高一10人，高二19人），且高三年级无学生分布。

辅助分析（全校基数对比）：为进一步判断上述差异是否由校区人数基数不同导致，我另建一图，分析了“不同校区各年级的学生总人数”。