【助睿实验指导】学生用户画像 - 考勤主题扩展标签构建

【助睿实验指导】学生用户画像-考勤主题扩展标签构建

1 实验说明

1.1 实验目的

基于已成型的学生考勤主题标签表，采用K-Means聚类算法对全体学生考勤行为自动分组。以迟到、早退、请假、校服违规次数四大核心指标为依据，区分不同考勤行为群体，生成可落地解读的学生考勤画像，为校园日常管控、学生行为矫正、学情精细化分析提供数据支撑。

1.2 实验环境

整体基于Uniplore助睿数智线上实验平台操作，配套工具与数据环境如下

1. 功能模块：助睿ETL数据集成、AI Studio人工智能建模、助睿BI数据可视化

2. 数据库：MySQL团队私有数据库

3. 前置基础数据：学生考勤主题标签表`student_attendance_stats`

2 实验数据

2.1 数据构成

取用上一轮实验输出的标准化考勤统计数据表，集合学生个人基础信息、班级信息、各类考勤异常统计数据，数据规整无脏数据，可直接用于聚类建模分析。

2.2 字段说明

|字段名称|字段含义|数据类型|

| ---- | ---- | ---- |

|id|数据表自增主键|整型|

|student_id|学生唯一编号|整型|

|student_name|学生姓名|文本型|

|class_id|班级编号|整型|

|class_name|班级名称|文本型|

|grade|就读年级|分类文本|

|gender|性别|二分类|

|birth_date|出生日期|日期文本|

|political_status|政治面貌|分类文本|

|is_boarder|是否住校|二分类|

|campus_type|所属校区|分类文本|

|late_count|迟到累计次数|整型|

|early_leave_count|早退累计次数|整型|

|leave_count|请假累计次数|整型|

|uniform_violate_count|校服违规次数|整型|

|create_time|数据统计入库时间|日期时间型|

2.3 建模思路

1. 特征筛选：仅选取迟到、早退、请假、校服违规4项考勤行为数据作为聚类特征，字段业务独立、无冗余干扰，无需降维处理

2. 算法适配：统计次数均为非负连续数值，符合K-Means算法输入要求，无需额外编码转换，简化预处理流程

3. 辅助区分：性别、年级、住宿等基础资料不参与聚类计算，仅后续用作群体画像补充解释

3 详细实验操作步骤

3.1 AI Studio平台K-Means聚类建模

3.1.1 新建空白工作流

1. 登录实验平台，左侧菜单栏点击人工智能，进入AI Studio建模空间

1. 页面点击加号按钮，选择新建工作流，生成空白建模画布

3. 界面分为功能菜单栏、算法控件库、流程画布三大区域，后续拖拽组件搭建流程

3.1.2 导入实验考勤数据

1. 在控件列表搜索数据库加载组件，拖拽至空白画布中

2. 双击组件，右侧弹出参数面板，填写团队私有MySQL数据库账号密码，点击连接数据库

1. 数据表下拉列表选中`student_attendance_stats`考勤标签表

3. 筛选保留字段：仅勾选student_id、class_id、late_count、early_leave_count、leave_count、uniform_violate_count，其余字段标记跳过

5. 设定字段属性：编号类设为分类型，考勤次数设为数值型，确认保存配置

6. 右键点击数据库加载控件，选择运行该控件，运行完成后查看输出数据，校验数据无误

3.1.3 搭建K-Means聚类模型

1. 控件库拖拽K-Means聚类组件，用连线将数据库加载组件与聚类组件首尾相连

1. 双击聚类组件进入配置页面，固定聚类簇数量设置为3簇，其余参数保持系统默认

3. 右键运行聚类控件，执行模型计算

4. 运行结束查看结果，每条学生数据自动附带C1、C2、C3聚类簇编号

3.1.4 聚类结果导出保存

1. 拖拽数据入库组件，连线接入聚类输出端口

1. 双击数据入库组件，填写私有数据库连接信息，获取数据表列表

1. 选择新建数据表，命名为`student_cluster`，确认创建存储表

4. 点击运行整体工作流，全部控件显示运行成功，代表聚类数据完整存入数据库

3.2 助睿BI可视化分析聚类群体

3.2.1 平台内连接数据源

1. 左侧菜单切换至助睿BI可视化平台

2. 点击左侧数据源，左上角加号选择新建连接，数据库类型选定MySQL

3. 录入团队数据库账号信息，点击测试连接，提示连接成功后确认保存

1. 展开新建数据库目录，可预览`student_cluster`聚类数据表内容

3.2.2 构建专属分析数据集

1. 侧边栏点击数据集，新建空白数据集，填写名称与备注信息

1. 数据源选择刚刚绑定的私有数据库，定位labs数据目录

1. 将`student_cluster`数据表拖拽至数据集编辑画布

1. 依次修改字段中文备注：student_id改为学生ID、Cluster改为聚类簇编号，所有考勤次数字段统一汉化命名

1. 编辑完成后保存并发布数据集，发布后方可用于图表制作

3.2.3 制作多维度分析工作表

1. 左侧进入工作表模块，新建分组文件夹归类本次分析内容

1. 在分组内新建工作表，图表样式选择探索器散点图，绑定已发布数据集

1. 第一张表：X轴放置迟到次数、Y轴放置早退次数，颜色维度绑定聚类簇编号，信息栏挂载学生ID

4. 将数据展示限额调整为100%，完整加载全部学生数据，自定义聚类组别区分颜色

1. 按照同样操作，依次新建五张工作表，分别组合：迟到&请假、迟到&校服违规、早退&请假、早退&校服违规、请假&校服违规，完成6组指标对比图表

6. 每张工作表编辑完毕均保存发布

3.2.4 整合可视化分析仪表盘

1. 左侧点击仪表盘，新建仪表盘并命名为聚类簇分析

2. 拖拽文本基础组件，输入标题文字，调整字体大小、样式并居中摆放，固定组件位置

3. 切换工作表素材库，将6张分析图表全部拖拽至仪表盘画布

4. 拖动边框调整图表尺寸、排布布局，规整页面展示效果

5. 整体检查无误后，保存并发布仪表盘

3.2.5 聚类群体画像分类解读

对照六组散点图数据分布规律，划分三类学生考勤群体

1. C1 自律模范型：各项考勤违规次数处于最低区间，无违纪行为，出勤表现稳定规范

2. C2 轻微波动型：整体考勤状态良好，仅偶尔出现请假、校服违规小问题，无频繁迟到早退

3. C3 纪律高危型：迟到早退频次偏高，叠加多项违规行为，违纪问题突出，属于重点管理人群

|聚类簇编号|群体名称|核心行为特征|

| ---- | ---- | ---- |

|C1|自律模范型|全维度考勤异常次数极低，纪律性强|

|C2|轻微波动型|基本遵守考勤制度，偶发少量轻微违规|

|C3|纪律高危型|多项违纪行为叠加，考勤问题较为严重|

3.3 ETL工具新增考勤扩展标签至原数据表

3.3.1 原数据表新增拓展字段

1. 切换回到助睿ETL数据集成平台，打开原有考勤处理项目

2. 新建转换流，拖拽执行SQL脚本组件到画布

3. 绑定团队私有数据库连接，输入新增字段语句

```sql

ALTER TABLE student_attendance_stats

ADD COLUMN cluster VARCHAR(10) NULL DEFAULT NULL COMMENT '聚类簇编号',

ADD COLUMN attendance_group VARCHAR(30) NULL DEFAULT NULL COMMENT '考勤群体分类';

```

1. 运行SQL组件，为原始考勤表添加两个空白拓展字段

3.3.2 读取调取聚类结果数据

1. 在新建转换流内，拖拽表输入组件，连接私有数据库

2. 选定`student_cluster`聚类结果表，读取全量数据接入流程

1. 拖拽字段选择组件，连线承接表输入数据

3.3.3 筛选规整有效字段

1. 双击字段选择组件，剔除多余无用字段，仅保留student_id、Cluster两个关键字段

1. 进入元数据设置页面，统一字段数据类型，保证与原数据表格式匹配，避免更新报错

3. 确认字段配置，完成数据精简处理

3.3.4 聚类编号映射中文群体标签

1. 拖拽值映射组件，承接筛选后的字段数据

2. 映射源字段选择Cluster聚类编号，新建目标字段attendance_group

3. 逐条添加映射规则

- 源值C1 → 目标值 自律模范型

- 源值C2 → 目标值 轻微波动型

- 源值C3 → 目标值 纪律高危型

4. 保存映射规则，完成编号到文字标签转换

3.3.5 配置数据更新写入规则

1. 画布添加更新组件，接入映射完成后的数据流

2. 数据库选择私有库，目标数据表选定`student_attendance_stats`、

3. 匹配关键字段：以student_id学生编号作为唯一匹配依据

4. 设置更新对应关系：流内cluster写入表内聚类编号字段，attendance_group写入群体分类字段

3.3.6 整体运行ETL转换流程

1. 检查全部组件连线、参数配置无误后，点击运行按钮执行转换流

2. 查看运行日志，确认数据更新条数，无报错即为流程执行成功

3.3.7 核查最终标签入库结果

1. 重新加载数据库元数据，刷新数据表信息

2. 打开`student_attendance_stats`考勤主表，查询表格数据

3. 核验新增的聚类编号、考勤群体分类字段均已正常填充内容，标签构建完成

4 实验总结

本次实验全程依托助睿数智平台完成全流程数据分析，先在AI Studio使用K-Means聚类算法，依据四项考勤异常指标自动完成学生群体划分；再借助助睿BI制作多维度散点图表与汇总仪表盘，直观分析数据分布特点，将机器生成的聚类编号转化为贴合校园管理的三类学生画像。最后通过ETL数据处理工具，新增数据表字段，把聚类分类标签同步更新至原始考勤统计表，顺利完成考勤主题扩展标签搭建。生成的分层学生数据画像，能够帮助校方针对性开展纪律管理、思想引导与个性化教育，实现校园考勤数据的实际业务落地应用。