1 实验说明基于已完成的学生考勤主题标签表student_attendance_stats使用 K-Means 聚类算法对学生考勤行为进行自动分群。通过迟到、早退、请假、校服违规次数等核心指标识别不同类型的考勤群体生成可解释的考勤画像为校园学生管理、行为分析提供精准数据支撑。1.2 实验环境工具为助睿数智Uniplore在线实验平台https://lab.guilan.cn/ 助睿数智Uniplore是AI驱动的一站式数据科学平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能产品官网为 https://www.uniplore.com/本次实验主要用到以下功能平台数据集成平台助睿 ETL人工智能平台助睿 AI助睿BI 数据可视化探索平台数据库MySQL前置数据学生考勤主题标签表student_attendance_stats2 实验数据本次实验使用上一实验输出的学生考勤主题标签表数据包含学生基础信息与考勤次数统计结果为聚类建模提供干净、标准化的特征数据。3 实验步骤人工智能平台AI Studio是一站式大数据智能应用平台以零代码拖拽的方式简化机器学习全流程提供从数据加载、预处理、特征工程到模型训练与评估的完整解决方案。平台内置 100 数据挖掘算法组件支持主流深度学习框架同时具备可视化建模、智能一键分析、协作共享与精细版本管理能力无需深厚编程知识即可高效实现数据价值挖掘与智能分析。3.1 AI Studio 聚类建模3.1.1 新建工作流点击左边菜单“人工智能”进入人工智能平台AI Studio进入人工智能模块用户空间点击“” - “新建工作流”3.1.2 数据导入首先我们需要将 student_attendance_stats 的数据载入搜索“数据库加载”控件拖拽至画布双击“数据库加载”控件右边会出现参数配置窗口将团队私有数据库的信息填入并点击“连接”在弹出的窗口中点击下拉框选择 student_attendance_stats选择后会自动加载表信息我们主要是分析各类异常考勤占比的特征所以只需保留 student_id 、class_id、late_count、early_leave_count、leave_count、uniform_violate_count其他字段跳过skip为保留的字段选择对应的属性类型最后点击“确定”右键数据库加载空间点击“运行该控件”运行成功后可右键点击“查看输出结果”3.1.3 K-Means 聚类建模拖入“K-Means”组件创建数据库加载组件到“K-Means”组件的连线双击“K-Means”组件配置窗口中簇数量选择固定3个其他保持不变右键运行该控件查看输出结果可以看到每个学生分别标记了对应的簇类C1/C2/C33.1.4 结果输出与保存聚类后的数据我们需要保存到数据库中以便后续使用拖拽“数据入库”组件到画布创建“K-Means”组件到“数据入库”组件的连线双击“数据入库”组件数据库配置中输入团队私有数据库的参数并点击“获取表信息”在弹出的窗口中选择“新建数据表”表名称修改为“student_cluster”并点击“确定”运行工作流各控件均运行成功则工作流运行成功3.2 分析聚类簇编号对应的考勤群体分类上一步骤输出的聚类簇编号无法确定对应的考勤群体分类可要通过助睿BI 可视化分析来确定点击实验平台左边菜单“助睿BI”进入助睿BI平台进入助睿BI 平台的首页可以看到该账户下的数据情况、数据分析处理流程、支持的数据源有哪些如果是进入的页面是登录页面可以关闭后重新从实验平台进入3.2.1 连接数据源上一步骤输出的 student_cluster 存放于我们的团队私有数据库中所以我们需要在助睿BI 平台中创建数据库连接点击左边菜单中的“数据源”进入页面后点击左上角“” - “新建连接” - “MySQL”在弹出的窗口中输入自己所在小组在 Uniplore实验平台 的数据库连接账号信息点击“测试连接”。出现“测试连接成功”表示我们的连接正确点击“确认”点击新建的数据库目录可以看到本次实验所用的学生考勤主题标签表3.2.2 构建数据集数据源连接成功后我们要将需要分析的数据表构建为数据集点击左边菜单中的“数据集”点击左上角“” - “新建数据集”在弹窗中输入数据集名称、所属分组、备注信息后点击“确认”数据集创建成功后会自动跳到该数据集的配置页面第一步需要先选择数据源助睿BI平台为防止这个步骤遗漏做了强提醒点击“好的我知道了”可关闭提醒数据源的第一个选项选择我们刚刚新建的数据源“商业数据分析实验” 第二个选项则选择student_cluster 所在的目录“se_group_19”将student_cluster 拖拽至画布中,查看数据的表结构及数据为方便进行后续分析将字段备注分别修改为中文在student_id的字段备注输入框中输入“学生ID”并点击“√”保存其他字段的字段备注按照同样操作进行修改字段别名参考如下字段别名修改完成后点击画布左上角“保存”按钮在保存提示中点击“保存并发布”只有发布后的数据集才能在工作表中引用3.2.3 制作工作表工作表是助睿BI 平台中用于承载可视化图表、完成数据探索与分析的核心单元是实现数据可视化展示的基础载体。接下来我们开始制作聚类簇编号对应的考勤群体分类工作表点击左边菜单中的“工作表”进入工作表模块为了方便管理我们将本次制作的工作表集中存放在一个目录下点击左上角的“” - “新建分组”在弹窗中输入分组名称、选择所属分组、填写备注信息后点击“确认”右键或者点击聚类簇对应的考勤画像群体分类分析分组的“…”在操作列表中点击“新建工作表”数据集选择刚刚创建的“聚类簇编号数据集”图表类型选择“探索器”将字段“late_count迟到次数”拖拽到X轴“early_leave_count早退次数”拖拽到Y轴点击图形设置按钮打开设置面板点击图形设置按钮打开设置面板在设置面板中点击颜色区域的“”在下拉框中选择“Cluster聚类簇编号”并点击“确认”点击信息区域的“”在下拉框中选择“student_id学生ID”并点击“确认”将“student_id学生ID”设置为“维度”!系统默认限额为2000条数据因此需要将限额设置为100%避免数据过多不显示全部为了区分更明显我们可以设置聚类簇编号的颜色点击颜色区域的设置按钮切换对比强烈的主题颜色设置后需要点击一下颜色区域外的地方才会生效点击保存按钮保存并发布工作表迟到与请假次数的聚类簇分析迟到与没穿校服次数的聚类簇分析早退与请假次数的聚类簇分析早退与没穿校服次数的聚类簇分析请假与没穿校服次数的聚类簇分析3.2.4 搭建仪表盘为了更好地观察分析以上制作的6个工作表我们可以将它们放在一起点击左边菜单“仪表盘”在右边组件与工作表区域点击“基础组件”拖拽一个文本组件到画布中文本内容输入“聚类簇分析”并设置字体颜色、字体大小、加粗、居中鼠标移至文本组件上组件右下角可以拖动跳转组件大小为了防止后续位置改变可以点击右上角图钉图表固定位置点击工作表组件显示按钮切换到“工作表”将3.2.3节中制作的工作表都拖拽至画布中点击保存按钮保存并发布仪表盘3.3 将映射结果加入学生考勤主题标签表我们需要将最终群体分类数据增加到上一个实验输出的结果表学生考勤主题标签表 student_attendance_stats 中3.3.1 新增扩展字段上一个实验输出的结果表学生考勤主题标签表 student_attendance_stats 中没有考勤群体分类的字段需要增加首先我们需要在 student_attendance_stats 中增加2个字段cluster聚类簇编号attendance_group考勤群体分类进入上一个实验在数据集成平台中创建的ETL项目新建转换流“增加考勤主题扩展标签字段”拖拽并“”组件到画布中双击“执行一个SQL脚本”组件在配置窗口中数据库连接“团队私有数据库”输入SQL脚本后点击“确认”SQL如下-- 为学生考勤统计表添加聚类结果字段 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;3.3.2 聚类簇编号数据获取接下来我们需要使用 3.1这步骤中 AI Studio 输出的结果表 student_cluster xxx打开上一个实验创建的项目创建转换流“增加考勤群体分类标签”3.3.2 聚类簇编号数据获取接下来我们需要使用 3.1这步骤中 AI Studio 输出的结果表 student_cluster xxx打开上一个实验创建的项目创建转换流“增加考勤群体分类标签”双击“表输入”组件从团队私有数据库中获取 3.1步骤中的分类结果表 student_cluster 的所有SQL 查询语句3.3.3 字段选择获取的数据中我们只需保留 student_id、Cluster 字段拖拽“字段选择”组件到画布中并创建“表输入”组件到“字段选择”组件的连线双击“字段选择”组件点击“移除”选项并在字段名称下方空白区域右键-点击“获取字段”选中 student_id、class_id,Cluster 字段后右键“删除选中的行”表述除 student_id、Cluster 外其他字段均被移除为了保持和 student_attendance_stats 表中字段类型一致不影响后续数据更新到 student_attendance_stats需要将 student_id、class_id 的类型修改为Integer点击元数据选项插入2行 student_id、class_id 的配置如下最后点击“确认”3.3.4 聚类簇编号映射原始聚类簇编号以编号形式存储可读性差通过映射转换增加中文说明添加“值映射”组件到画布中并字段选择组件到值映射组件的连线并选择“主输出步骤”双击“值映射”组件使用的字段名为“Cluster ” 目标字段名为“attendance_group”在下方字段值表格空白处右键点击“插入”双击插入的行在源值中输入“C1”目标值输入“轻微波动型”代表将原数据中的“C1”统一映射为“轻微波动型”同样的再插入2行设置源值“C2”目标值“自律模范型”源值“C3”目标值“纪律高危型”并点击“确认”3.3.5 更新学生考勤主题标签拖拽“更新”组件到画布中并创建值映射组件到更新组件的连线双击“更新”组件在配置窗口中数据库连接选择团队私有数据目标模式为labs点击目标表后的“浏览”按钮选择 student_attendance_stats并点击“确定”更新字段表格空白处获取字段删除 student_id这里需要注意我们在增加扩展字段时聚类簇编号的字段为cluster所以在表字段的 Cluster 字段中需要双击后点击下拉框选择正确的表字段最后的配置如下表示当数据表的student_id与流里的student_id相同时将流字段Cluster、attendance_group的值更新到表字段cluster、attendance_group中3.3.6 运行转换流点击运行按钮,执行结果和日志3.3.7 查看结果切换“元数据”选项右键“团队私有数据库”点击“加载元数据”加载成功后点击“数据探查”在团队私有数据库中点击 student_attendance_stats 在点击“查询”可以看到 cluster、attendance_group的数据已经更新成功了4 实验总结本次实验基于学生考勤次数数据通过 K-Means 聚类算法完成学生考勤群体自动划分利用次数特征建模保证了聚类结果的稳定性与可解释性。借助 助睿BI 平台实现可视化分析为机器生成的聚类簇赋予明确的业务含义精准划分出自律模范型、轻微波动型、纪律高危型三类学生群体。最终将聚类标签回写至原始考勤表完成考勤主题扩展标签构建为校园学生精细化管理、行为干预和个性化教育提供了可靠的数据支撑。学生用户画像 - 考勤画像可视化分析1.1 实验目的基于已完成 K-Means 聚类并标注考勤群体的学生考勤主题标签表本实验聚焦“纪律高危型”群体分析其行为特征。相比其他群体该群体存在高频违纪、多维度异常叠加等行为特征是校园考勤管理中风险最高、影响最大的群体。通过专项画像分析可为精准干预和重点整治提供数据支撑助力校园精细化管理。2 实验数据数据结构student_attendance_stats 学生考勤主题标签表3 实验步骤3.1 进入助睿BI进入实验平台后点击左边菜单的“助睿BI”进入助睿BI可视化探索平台3.2 连接数据源student_attendance_stats 存放于我们的团队私有数据库中而上一个实验在“分析聚类簇编号对应的考勤群体分类”时已经创建了团队私有数据库的连接因此我们可以直接使用这个数据源无需再连接数据源。3.3 构建数据集接下来我们使用 student_attendance_stats 构建数据集用于后续分析点击左边菜单中的“数据集”在弹窗中输入数据集名称、所属分组、备注信息后点击“确认”数据源的第一个选项选择我们刚刚新建的数据源“商业数据分析实验” 第二个选项则选择student_attendance_stats 所在的目录“se_group_19”数据源选择完成后将student_attendance_stats拖拽至画布中查看数据的表结构及数据由于我们之前实验中的建表语句中已经包含了字段的中文备注因此这里我们不需要设置字段备注直接点击画布左上角“保存”按钮在保存提示中点击“保存并发布”只有发布后的数据集才能在工作表中引用3.4 制作工作表工作表是承载可视化图表、开展数据分析的基础单元点击左边菜单中的“工作表”进入工作表模块为方便管理相同主题分析的工作表最好都放置在一个目录下点击左上角的“” - “新建分组”在弹窗中输入分组名称、选择所属分组、填写备注信息后点击“确认”3.4.1 整体概况指标卡指标卡是助睿BI 平台中用于直观展示核心统计数值的基础组件能够快速呈现关键指标便于整体把控高危群体概况。3.4.1.1 纪律高危型总人数右键或者点击学生考勤主题分析分组的“…”在操作列表中点击“新建工作表”在弹窗中输入工作表名称为“纪律高危型”、选择所属分组、填写备注信息后点击“确认”在左边基础图表中点击“指标卡”将字段“student_id学生ID”拖拽到值点开字段“student_id”的聚合类型点击“去重计数”点击图形设置图标打开设置面板点击过滤器中的“”在下拉框中选择“attendance_group考勤群体分类”并点击“确认”点击过滤器中“attendance_group”后的“···” - “编辑”在过滤器配置中点击“包含以下选项”并勾选“纪律高危型”在点击“确认”指标卡即显示自律模范型人数接下来我们可以点击“样式设置”对指标卡样式进行调整点击“保存”按钮在保存提示中点击“保存并发布”点击“显示分组”按钮即可看到学生总人数指标卡已经发布成功3.4.1.2 纪律高危型男生人数参考“3.4.1.1 纪律高危型总人数”步骤重新新建工作表“纪律高危型男生人数”完成指标卡的制作只需要多一步操作在筛选器中添加“gender性别”字段并设置为包含“男”再调整一下样式即可3.4.1.3 纪律高危型女生人数参考“3.4.1.1 自律模范型人数”步骤重新新建工作表“纪律高危型女生人数”完成指标卡的制作只需要多一步操作在筛选器中添加“gender性别”字段并设置为包含“女”再调整一下样式即可3.4.1.4 纪律高危型未知性别人数参考“3.4.1.1 自律模范型人数”步骤重新新建工作表“高危型未知性别人数”完成指标卡的制作只需要多一步操作在筛选器中添加“gender性别”字段并设置为包含“未知”再调整一下样式即可3.4.1.5 整体指标分析从整体指标卡可以清晰看到纪律高危型学生总人数为 1098 人其中男生 267 人、女生 301 人、未知性别 530 人。高危群体整体规模清晰其中男生人数多于女生说明高危群体存在明显的性别分布特点需要从性别角度进一步深入分析。3.4.2 纪律高危型学生性别特征分析在该环节我们制作纪律高危型学生性别占比饼图同时结合全校性别基数数据分析高危群体的性别倾向3.4.2.1 纪律高危型学生男女人数占比新建工作表“纪律高危型学生男女人数占比”数据集选择“学生考勤主题数据集”图表类型选择“饼图”将字段“student_id”拖拽到值“gender”拖拽到分类并将“student_id”的聚合方式设置为“去重计数”可以看到存在性别“未知”数据需要将“未知”数据过滤掉点击图像设置并点击过滤器中的“”在下拉列表中选择“gender”最后点击“确认”点击过滤器中的“gender”后的“···”并点击“编辑”在过滤器设置中点击“排除以下选项”勾选“未知”点击“确认”并点击过滤器中的“”在下拉列表中选择“attendance_group”最后点击“确认”点击过滤器中的“attendance_group”后的“···”并点击“编辑”在过滤器设置中点击“包含以下选项”勾选“纪律高危型”点击“确认”系统默认的饼图没有百分比标签数据我们可以点击“样式设置” - “图表元素设置” - “标签显示形式” - “勾选百分比”其他样式可根据自身需求设置例如图表元素设置中的内环大小设置为“50%”扇形设置中的扇形圆角半径设置为“10”还可以修改主题色样式调整完毕后点击“保存”按钮“保存并发布”工作表3.4.2.2 全校学生男女人数占比为了排除性别基数差异带来的误判我们需要分析全校学生男女人数占比新建工作表“全校学生男女人数占比”参考“3.4.2.1 纪律高危型学生男女人数占比”步骤完成饼图制作过滤器中只需要过滤掉性别“未知”的数据考勤群体分类“attendance_group”无需做过滤3.4.2.3 性别特征分析排除性别未知数据的情况下从全校性别分布来看男生本身基数略高于女生占比为 53.03%女生占比为 46.97%在纪律高危型学生群体中男生占比进一步上升至 54.22%女生占比则下降至 45.78%对比两组数据可以发现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%而女生在高危群体中的占比45.78%则低于其在全校的基数占比46.97%这一结果表明纪律高危型学生中男生占比偏高并非由全校性别基数差异导致而是男生在考勤违纪行为上的真实风险更高。男生规则意识、时间观念相对薄弱更易出现高频违纪行为因此是高危群体的主要构成对象后续管理需针对性加强男生考勤纪律引导3.4.3 纪律高危型学生年级特征分析在该环节我们制作纪律高危型学生年级分布堆叠条形图观察不同年级高危学生的情况新建工作表“纪律高危型学生年级特征分析”数据集选择“学生考勤主题数据集”图表类型选择“柱状图”将字段“grade”拖拽到X轴“student_id”拖拽到Y轴并将“student_id”的聚合方式设置为“去重计数”点击图像设置按钮在过滤器中添加字段“attendance_group”点击“attendance_group”后的“···” - “编辑”在过滤器配置窗口中点击“包含以下选项”勾选“纪律高危型”最后点击“确认”分析从年级分布柱状图可以看出纪律高危型学生在各年级的分布存在明显差异其中高三年级的高危学生人数最多高一和高二年级的高危学生人数相对较少。这可能与高三学生面临的升学压力、在校时间长度以及部分学生的课程安排调整有关例如备考节奏紧张、校外培训或特殊升学路径安排都可能导致考勤行为出现波动。点击“样式设置”将主题色设置为与上一个饼图的主题色一样并点击“图表元素设置”将边框色设置为无边框色点击“保存”按钮“保存并发布”工作表3.4.4 纪律高危型学生校区类型 年级交叉特征分析在该环节为进一步探究高危学生在不同校区、不同年级的分布规律我们制作纪律高危型学生校区类型 年级交堆叠状图直观呈现各年级下新、老校区高危学生的人数分布情况精准定位高危行为的高发区域新建工作表“纪律高危型学生校区类型与年级交叉特征分析”数据集选择“学生考勤主题数据集”图表类型选择“柱状图”参考“3.4.3 纪律高危型学生年级特征分析”的步骤先完成纪律高危型学生年级分布柱状图接下来将字段“campus_type”拖拽至“分组”将主题色设置成与上一个图表的主题色并取消边框色分析从校区类型 年级交叉柱状图可以看出纪律高危型学生的校区分布差异显著老校区是高危学生的主要聚集地各年级高危人数均明显高于新校区其中高一 80 人、高二 130 人、高三 261 人高三年级高危人数达到峰值。新校区的高危学生整体规模较小仅高一 10 人、高二 19 人有少量分布高三年级无高危学生记录。仅从高危群体的分布来看老校区的违纪行为发生率远高于新校区且高危人数随年级升高呈明显增长态势。为进一步判断这一差异是否由校区本身的学生基数导致下一步将引入全校新、老校区的学生总人数数据进行交叉对比排除基数干扰分析校区管理模式、通勤条件、学风氛围等因素对学生考勤行为的真实影响。先点击“保存”按钮“保存并发布”工作表3.4.5 不同校区类型各年级学生人数新建工作表“不同校区类型各年级学生人数”参考“纪律高危型学生校区类型 年级交叉特征分析”步骤完成不同校区类型各年级学生人数堆叠柱状图过滤器不添加任何字段分析高一老校区 1021 人新校区 148 人高二老校区 1079 人新校区 295 人高三老校区 1883 人新校区无学生分布结合纪律高危型学生校区类型 年级交叉特征分析可以发现高三老校区是高危行为的绝对高发区高三年级学生全部集中在老校区且高危学生人数达到 261 人是所有校区和年级中的最高值这一结果与高危群体年级分布特征高度吻合。新校区整体风险可控新校区学生基数较小高危学生人数也相应较少且高三年级无学生分布因此不存在高三高危学生整体考勤纪律表现优于老校区。综合来看老校区尤其是高三年级是纪律高危型学生的核心聚集区后续管理需重点聚焦老校区高年级学生群体结合校区通勤条件、管理模式、学风氛围等因素制定针对性的考勤管理措施。3.4.6 纪律高危型学生班级特征分析接下来我们分析纪律高危型学生的班级特征定位高危学生集中的班级新建工作表“纪律高危型学生班级特征分析”数据集选择“学生考勤主题数据集”图表类型选择“水平条图”将字段“class_name”拖拽至Y轴“student_id”拖拽至X轴并将“student_id”的聚合方式设置为“去重计数”过滤器中添加字段“attendance_group”点击“attendance_group”后的“···” - “编辑”过滤器设置中点击“包含以下选项”。勾选“纪律高危型”最后点击“确认”为了方便观察高危型学生的集中班级我们可以将“student_id”按降序排序这样人数多的班级就排在前面分析从班级水平条图可以清晰看到纪律高危型学生高度集中在少数班级其中高三 09 班高危人数最多38 人其次为高三 08 班、高三 02 班等多数班级高危人数极少呈现明显的班级聚集性。结合年级分布特征来看高危学生主要集中在高三年级的部分班级这既与高三学生升学备考节奏紧张、课程安排灵活有关也说明高危行为与班级管理强度、班风氛围、同伴影响密切相关。少数薄弱班级需要重点整治通过加强班主任监管、整顿班风阻断不良风气传染。点击样式设置将主题色设置为同之前的图表的主题色一样点击“保存”按钮“保存并发布”工作表3.5 搭建综合仪表盘点击左边菜单栏中的“仪表盘”点击左上角“” - “新建仪表盘”仪表盘名字输入“纪律高危型学生用户画像分析”备注信息输入“纪律高危型学生用户画像分析”点击“确认”在右边组件与工作表区域点击“基础组件”拖拽一个文本组件到画布中文本内容输入“纪律高危型学生用户画像分析”并设置字体颜色、字体大小、加粗、居中关闭组件窗口组件右下角可以拖动跳转组件大小参考下图调整点击图表组件显示按钮切换到“工作表”将3.4节中制作的工作表都拖拽至画布中拖入完毕后使用鼠标对图表大小和布局进行调整同时将以上的分析使用“文本”组件呈现在仪表盘中形成完成的分析仪表盘“文本”组件可通过关闭“超出隐藏”开关来实现换行预期效果如下设计完毕后点击“发布”保存并发布仪表盘点击“预览”即可全屏查看仪表盘发布成功后可以点击“分享”并选择不同的分享方式将仪表盘分享给其他人查看将分享的信息复制发送给其他人其他人即可点击仪表盘的分享链接进行查看
零代码实战：基于聚类与助睿 BI 的学生考勤行为画像分析
发布时间：2026/5/21 22:23:58
1 实验说明基于已完成的学生考勤主题标签表student_attendance_stats使用 K-Means 聚类算法对学生考勤行为进行自动分群。通过迟到、早退、请假、校服违规次数等核心指标识别不同类型的考勤群体生成可解释的考勤画像为校园学生管理、行为分析提供精准数据支撑。1.2 实验环境工具为助睿数智Uniplore在线实验平台https://lab.guilan.cn/ 助睿数智Uniplore是AI驱动的一站式数据科学平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能产品官网为 https://www.uniplore.com/本次实验主要用到以下功能平台数据集成平台助睿 ETL人工智能平台助睿 AI助睿BI 数据可视化探索平台数据库MySQL前置数据学生考勤主题标签表student_attendance_stats2 实验数据本次实验使用上一实验输出的学生考勤主题标签表数据包含学生基础信息与考勤次数统计结果为聚类建模提供干净、标准化的特征数据。3 实验步骤人工智能平台AI Studio是一站式大数据智能应用平台以零代码拖拽的方式简化机器学习全流程提供从数据加载、预处理、特征工程到模型训练与评估的完整解决方案。平台内置 100 数据挖掘算法组件支持主流深度学习框架同时具备可视化建模、智能一键分析、协作共享与精细版本管理能力无需深厚编程知识即可高效实现数据价值挖掘与智能分析。3.1 AI Studio 聚类建模3.1.1 新建工作流点击左边菜单“人工智能”进入人工智能平台AI Studio进入人工智能模块用户空间点击“” - “新建工作流”3.1.2 数据导入首先我们需要将 student_attendance_stats 的数据载入搜索“数据库加载”控件拖拽至画布双击“数据库加载”控件右边会出现参数配置窗口将团队私有数据库的信息填入并点击“连接”在弹出的窗口中点击下拉框选择 student_attendance_stats选择后会自动加载表信息我们主要是分析各类异常考勤占比的特征所以只需保留 student_id 、class_id、late_count、early_leave_count、leave_count、uniform_violate_count其他字段跳过skip为保留的字段选择对应的属性类型最后点击“确定”右键数据库加载空间点击“运行该控件”运行成功后可右键点击“查看输出结果”3.1.3 K-Means 聚类建模拖入“K-Means”组件创建数据库加载组件到“K-Means”组件的连线双击“K-Means”组件配置窗口中簇数量选择固定3个其他保持不变右键运行该控件查看输出结果可以看到每个学生分别标记了对应的簇类C1/C2/C33.1.4 结果输出与保存聚类后的数据我们需要保存到数据库中以便后续使用拖拽“数据入库”组件到画布创建“K-Means”组件到“数据入库”组件的连线双击“数据入库”组件数据库配置中输入团队私有数据库的参数并点击“获取表信息”在弹出的窗口中选择“新建数据表”表名称修改为“student_cluster”并点击“确定”运行工作流各控件均运行成功则工作流运行成功3.2 分析聚类簇编号对应的考勤群体分类上一步骤输出的聚类簇编号无法确定对应的考勤群体分类可要通过助睿BI 可视化分析来确定点击实验平台左边菜单“助睿BI”进入助睿BI平台进入助睿BI 平台的首页可以看到该账户下的数据情况、数据分析处理流程、支持的数据源有哪些如果是进入的页面是登录页面可以关闭后重新从实验平台进入3.2.1 连接数据源上一步骤输出的 student_cluster 存放于我们的团队私有数据库中所以我们需要在助睿BI 平台中创建数据库连接点击左边菜单中的“数据源”进入页面后点击左上角“” - “新建连接” - “MySQL”在弹出的窗口中输入自己所在小组在 Uniplore实验平台 的数据库连接账号信息点击“测试连接”。出现“测试连接成功”表示我们的连接正确点击“确认”点击新建的数据库目录可以看到本次实验所用的学生考勤主题标签表3.2.2 构建数据集数据源连接成功后我们要将需要分析的数据表构建为数据集点击左边菜单中的“数据集”点击左上角“” - “新建数据集”在弹窗中输入数据集名称、所属分组、备注信息后点击“确认”数据集创建成功后会自动跳到该数据集的配置页面第一步需要先选择数据源助睿BI平台为防止这个步骤遗漏做了强提醒点击“好的我知道了”可关闭提醒数据源的第一个选项选择我们刚刚新建的数据源“商业数据分析实验” 第二个选项则选择student_cluster 所在的目录“se_group_19”将student_cluster 拖拽至画布中,查看数据的表结构及数据为方便进行后续分析将字段备注分别修改为中文在student_id的字段备注输入框中输入“学生ID”并点击“√”保存其他字段的字段备注按照同样操作进行修改字段别名参考如下字段别名修改完成后点击画布左上角“保存”按钮在保存提示中点击“保存并发布”只有发布后的数据集才能在工作表中引用3.2.3 制作工作表工作表是助睿BI 平台中用于承载可视化图表、完成数据探索与分析的核心单元是实现数据可视化展示的基础载体。接下来我们开始制作聚类簇编号对应的考勤群体分类工作表点击左边菜单中的“工作表”进入工作表模块为了方便管理我们将本次制作的工作表集中存放在一个目录下点击左上角的“” - “新建分组”在弹窗中输入分组名称、选择所属分组、填写备注信息后点击“确认”右键或者点击聚类簇对应的考勤画像群体分类分析分组的“…”在操作列表中点击“新建工作表”数据集选择刚刚创建的“聚类簇编号数据集”图表类型选择“探索器”将字段“late_count迟到次数”拖拽到X轴“early_leave_count早退次数”拖拽到Y轴点击图形设置按钮打开设置面板点击图形设置按钮打开设置面板在设置面板中点击颜色区域的“”在下拉框中选择“Cluster聚类簇编号”并点击“确认”点击信息区域的“”在下拉框中选择“student_id学生ID”并点击“确认”将“student_id学生ID”设置为“维度”!系统默认限额为2000条数据因此需要将限额设置为100%避免数据过多不显示全部为了区分更明显我们可以设置聚类簇编号的颜色点击颜色区域的设置按钮切换对比强烈的主题颜色设置后需要点击一下颜色区域外的地方才会生效点击保存按钮保存并发布工作表迟到与请假次数的聚类簇分析迟到与没穿校服次数的聚类簇分析早退与请假次数的聚类簇分析早退与没穿校服次数的聚类簇分析请假与没穿校服次数的聚类簇分析3.2.4 搭建仪表盘为了更好地观察分析以上制作的6个工作表我们可以将它们放在一起点击左边菜单“仪表盘”在右边组件与工作表区域点击“基础组件”拖拽一个文本组件到画布中文本内容输入“聚类簇分析”并设置字体颜色、字体大小、加粗、居中鼠标移至文本组件上组件右下角可以拖动跳转组件大小为了防止后续位置改变可以点击右上角图钉图表固定位置点击工作表组件显示按钮切换到“工作表”将3.2.3节中制作的工作表都拖拽至画布中点击保存按钮保存并发布仪表盘3.3 将映射结果加入学生考勤主题标签表我们需要将最终群体分类数据增加到上一个实验输出的结果表学生考勤主题标签表 student_attendance_stats 中3.3.1 新增扩展字段上一个实验输出的结果表学生考勤主题标签表 student_attendance_stats 中没有考勤群体分类的字段需要增加首先我们需要在 student_attendance_stats 中增加2个字段cluster聚类簇编号attendance_group考勤群体分类进入上一个实验在数据集成平台中创建的ETL项目新建转换流“增加考勤主题扩展标签字段”拖拽并“”组件到画布中双击“执行一个SQL脚本”组件在配置窗口中数据库连接“团队私有数据库”输入SQL脚本后点击“确认”SQL如下-- 为学生考勤统计表添加聚类结果字段 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;3.3.2 聚类簇编号数据获取接下来我们需要使用 3.1这步骤中 AI Studio 输出的结果表 student_cluster xxx打开上一个实验创建的项目创建转换流“增加考勤群体分类标签”3.3.2 聚类簇编号数据获取接下来我们需要使用 3.1这步骤中 AI Studio 输出的结果表 student_cluster xxx打开上一个实验创建的项目创建转换流“增加考勤群体分类标签”双击“表输入”组件从团队私有数据库中获取 3.1步骤中的分类结果表 student_cluster 的所有SQL 查询语句3.3.3 字段选择获取的数据中我们只需保留 student_id、Cluster 字段拖拽“字段选择”组件到画布中并创建“表输入”组件到“字段选择”组件的连线双击“字段选择”组件点击“移除”选项并在字段名称下方空白区域右键-点击“获取字段”选中 student_id、class_id,Cluster 字段后右键“删除选中的行”表述除 student_id、Cluster 外其他字段均被移除为了保持和 student_attendance_stats 表中字段类型一致不影响后续数据更新到 student_attendance_stats需要将 student_id、class_id 的类型修改为Integer点击元数据选项插入2行 student_id、class_id 的配置如下最后点击“确认”3.3.4 聚类簇编号映射原始聚类簇编号以编号形式存储可读性差通过映射转换增加中文说明添加“值映射”组件到画布中并字段选择组件到值映射组件的连线并选择“主输出步骤”双击“值映射”组件使用的字段名为“Cluster ” 目标字段名为“attendance_group”在下方字段值表格空白处右键点击“插入”双击插入的行在源值中输入“C1”目标值输入“轻微波动型”代表将原数据中的“C1”统一映射为“轻微波动型”同样的再插入2行设置源值“C2”目标值“自律模范型”源值“C3”目标值“纪律高危型”并点击“确认”3.3.5 更新学生考勤主题标签拖拽“更新”组件到画布中并创建值映射组件到更新组件的连线双击“更新”组件在配置窗口中数据库连接选择团队私有数据目标模式为labs点击目标表后的“浏览”按钮选择 student_attendance_stats并点击“确定”更新字段表格空白处获取字段删除 student_id这里需要注意我们在增加扩展字段时聚类簇编号的字段为cluster所以在表字段的 Cluster 字段中需要双击后点击下拉框选择正确的表字段最后的配置如下表示当数据表的student_id与流里的student_id相同时将流字段Cluster、attendance_group的值更新到表字段cluster、attendance_group中3.3.6 运行转换流点击运行按钮,执行结果和日志3.3.7 查看结果切换“元数据”选项右键“团队私有数据库”点击“加载元数据”加载成功后点击“数据探查”在团队私有数据库中点击 student_attendance_stats 在点击“查询”可以看到 cluster、attendance_group的数据已经更新成功了4 实验总结本次实验基于学生考勤次数数据通过 K-Means 聚类算法完成学生考勤群体自动划分利用次数特征建模保证了聚类结果的稳定性与可解释性。借助 助睿BI 平台实现可视化分析为机器生成的聚类簇赋予明确的业务含义精准划分出自律模范型、轻微波动型、纪律高危型三类学生群体。最终将聚类标签回写至原始考勤表完成考勤主题扩展标签构建为校园学生精细化管理、行为干预和个性化教育提供了可靠的数据支撑。学生用户画像 - 考勤画像可视化分析1.1 实验目的基于已完成 K-Means 聚类并标注考勤群体的学生考勤主题标签表本实验聚焦“纪律高危型”群体分析其行为特征。相比其他群体该群体存在高频违纪、多维度异常叠加等行为特征是校园考勤管理中风险最高、影响最大的群体。通过专项画像分析可为精准干预和重点整治提供数据支撑助力校园精细化管理。2 实验数据数据结构student_attendance_stats 学生考勤主题标签表3 实验步骤3.1 进入助睿BI进入实验平台后点击左边菜单的“助睿BI”进入助睿BI可视化探索平台3.2 连接数据源student_attendance_stats 存放于我们的团队私有数据库中而上一个实验在“分析聚类簇编号对应的考勤群体分类”时已经创建了团队私有数据库的连接因此我们可以直接使用这个数据源无需再连接数据源。3.3 构建数据集接下来我们使用 student_attendance_stats 构建数据集用于后续分析点击左边菜单中的“数据集”在弹窗中输入数据集名称、所属分组、备注信息后点击“确认”数据源的第一个选项选择我们刚刚新建的数据源“商业数据分析实验” 第二个选项则选择student_attendance_stats 所在的目录“se_group_19”数据源选择完成后将student_attendance_stats拖拽至画布中查看数据的表结构及数据由于我们之前实验中的建表语句中已经包含了字段的中文备注因此这里我们不需要设置字段备注直接点击画布左上角“保存”按钮在保存提示中点击“保存并发布”只有发布后的数据集才能在工作表中引用3.4 制作工作表工作表是承载可视化图表、开展数据分析的基础单元点击左边菜单中的“工作表”进入工作表模块为方便管理相同主题分析的工作表最好都放置在一个目录下点击左上角的“” - “新建分组”在弹窗中输入分组名称、选择所属分组、填写备注信息后点击“确认”3.4.1 整体概况指标卡指标卡是助睿BI 平台中用于直观展示核心统计数值的基础组件能够快速呈现关键指标便于整体把控高危群体概况。3.4.1.1 纪律高危型总人数右键或者点击学生考勤主题分析分组的“…”在操作列表中点击“新建工作表”在弹窗中输入工作表名称为“纪律高危型”、选择所属分组、填写备注信息后点击“确认”在左边基础图表中点击“指标卡”将字段“student_id学生ID”拖拽到值点开字段“student_id”的聚合类型点击“去重计数”点击图形设置图标打开设置面板点击过滤器中的“”在下拉框中选择“attendance_group考勤群体分类”并点击“确认”点击过滤器中“attendance_group”后的“···” - “编辑”在过滤器配置中点击“包含以下选项”并勾选“纪律高危型”在点击“确认”指标卡即显示自律模范型人数接下来我们可以点击“样式设置”对指标卡样式进行调整点击“保存”按钮在保存提示中点击“保存并发布”点击“显示分组”按钮即可看到学生总人数指标卡已经发布成功3.4.1.2 纪律高危型男生人数参考“3.4.1.1 纪律高危型总人数”步骤重新新建工作表“纪律高危型男生人数”完成指标卡的制作只需要多一步操作在筛选器中添加“gender性别”字段并设置为包含“男”再调整一下样式即可3.4.1.3 纪律高危型女生人数参考“3.4.1.1 自律模范型人数”步骤重新新建工作表“纪律高危型女生人数”完成指标卡的制作只需要多一步操作在筛选器中添加“gender性别”字段并设置为包含“女”再调整一下样式即可3.4.1.4 纪律高危型未知性别人数参考“3.4.1.1 自律模范型人数”步骤重新新建工作表“高危型未知性别人数”完成指标卡的制作只需要多一步操作在筛选器中添加“gender性别”字段并设置为包含“未知”再调整一下样式即可3.4.1.5 整体指标分析从整体指标卡可以清晰看到纪律高危型学生总人数为 1098 人其中男生 267 人、女生 301 人、未知性别 530 人。高危群体整体规模清晰其中男生人数多于女生说明高危群体存在明显的性别分布特点需要从性别角度进一步深入分析。3.4.2 纪律高危型学生性别特征分析在该环节我们制作纪律高危型学生性别占比饼图同时结合全校性别基数数据分析高危群体的性别倾向3.4.2.1 纪律高危型学生男女人数占比新建工作表“纪律高危型学生男女人数占比”数据集选择“学生考勤主题数据集”图表类型选择“饼图”将字段“student_id”拖拽到值“gender”拖拽到分类并将“student_id”的聚合方式设置为“去重计数”可以看到存在性别“未知”数据需要将“未知”数据过滤掉点击图像设置并点击过滤器中的“”在下拉列表中选择“gender”最后点击“确认”点击过滤器中的“gender”后的“···”并点击“编辑”在过滤器设置中点击“排除以下选项”勾选“未知”点击“确认”并点击过滤器中的“”在下拉列表中选择“attendance_group”最后点击“确认”点击过滤器中的“attendance_group”后的“···”并点击“编辑”在过滤器设置中点击“包含以下选项”勾选“纪律高危型”点击“确认”系统默认的饼图没有百分比标签数据我们可以点击“样式设置” - “图表元素设置” - “标签显示形式” - “勾选百分比”其他样式可根据自身需求设置例如图表元素设置中的内环大小设置为“50%”扇形设置中的扇形圆角半径设置为“10”还可以修改主题色样式调整完毕后点击“保存”按钮“保存并发布”工作表3.4.2.2 全校学生男女人数占比为了排除性别基数差异带来的误判我们需要分析全校学生男女人数占比新建工作表“全校学生男女人数占比”参考“3.4.2.1 纪律高危型学生男女人数占比”步骤完成饼图制作过滤器中只需要过滤掉性别“未知”的数据考勤群体分类“attendance_group”无需做过滤3.4.2.3 性别特征分析排除性别未知数据的情况下从全校性别分布来看男生本身基数略高于女生占比为 53.03%女生占比为 46.97%在纪律高危型学生群体中男生占比进一步上升至 54.22%女生占比则下降至 45.78%对比两组数据可以发现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%而女生在高危群体中的占比45.78%则低于其在全校的基数占比46.97%这一结果表明纪律高危型学生中男生占比偏高并非由全校性别基数差异导致而是男生在考勤违纪行为上的真实风险更高。男生规则意识、时间观念相对薄弱更易出现高频违纪行为因此是高危群体的主要构成对象后续管理需针对性加强男生考勤纪律引导3.4.3 纪律高危型学生年级特征分析在该环节我们制作纪律高危型学生年级分布堆叠条形图观察不同年级高危学生的情况新建工作表“纪律高危型学生年级特征分析”数据集选择“学生考勤主题数据集”图表类型选择“柱状图”将字段“grade”拖拽到X轴“student_id”拖拽到Y轴并将“student_id”的聚合方式设置为“去重计数”点击图像设置按钮在过滤器中添加字段“attendance_group”点击“attendance_group”后的“···” - “编辑”在过滤器配置窗口中点击“包含以下选项”勾选“纪律高危型”最后点击“确认”分析从年级分布柱状图可以看出纪律高危型学生在各年级的分布存在明显差异其中高三年级的高危学生人数最多高一和高二年级的高危学生人数相对较少。这可能与高三学生面临的升学压力、在校时间长度以及部分学生的课程安排调整有关例如备考节奏紧张、校外培训或特殊升学路径安排都可能导致考勤行为出现波动。点击“样式设置”将主题色设置为与上一个饼图的主题色一样并点击“图表元素设置”将边框色设置为无边框色点击“保存”按钮“保存并发布”工作表3.4.4 纪律高危型学生校区类型 年级交叉特征分析在该环节为进一步探究高危学生在不同校区、不同年级的分布规律我们制作纪律高危型学生校区类型 年级交堆叠状图直观呈现各年级下新、老校区高危学生的人数分布情况精准定位高危行为的高发区域新建工作表“纪律高危型学生校区类型与年级交叉特征分析”数据集选择“学生考勤主题数据集”图表类型选择“柱状图”参考“3.4.3 纪律高危型学生年级特征分析”的步骤先完成纪律高危型学生年级分布柱状图接下来将字段“campus_type”拖拽至“分组”将主题色设置成与上一个图表的主题色并取消边框色分析从校区类型 年级交叉柱状图可以看出纪律高危型学生的校区分布差异显著老校区是高危学生的主要聚集地各年级高危人数均明显高于新校区其中高一 80 人、高二 130 人、高三 261 人高三年级高危人数达到峰值。新校区的高危学生整体规模较小仅高一 10 人、高二 19 人有少量分布高三年级无高危学生记录。仅从高危群体的分布来看老校区的违纪行为发生率远高于新校区且高危人数随年级升高呈明显增长态势。为进一步判断这一差异是否由校区本身的学生基数导致下一步将引入全校新、老校区的学生总人数数据进行交叉对比排除基数干扰分析校区管理模式、通勤条件、学风氛围等因素对学生考勤行为的真实影响。先点击“保存”按钮“保存并发布”工作表3.4.5 不同校区类型各年级学生人数新建工作表“不同校区类型各年级学生人数”参考“纪律高危型学生校区类型 年级交叉特征分析”步骤完成不同校区类型各年级学生人数堆叠柱状图过滤器不添加任何字段分析高一老校区 1021 人新校区 148 人高二老校区 1079 人新校区 295 人高三老校区 1883 人新校区无学生分布结合纪律高危型学生校区类型 年级交叉特征分析可以发现高三老校区是高危行为的绝对高发区高三年级学生全部集中在老校区且高危学生人数达到 261 人是所有校区和年级中的最高值这一结果与高危群体年级分布特征高度吻合。新校区整体风险可控新校区学生基数较小高危学生人数也相应较少且高三年级无学生分布因此不存在高三高危学生整体考勤纪律表现优于老校区。综合来看老校区尤其是高三年级是纪律高危型学生的核心聚集区后续管理需重点聚焦老校区高年级学生群体结合校区通勤条件、管理模式、学风氛围等因素制定针对性的考勤管理措施。3.4.6 纪律高危型学生班级特征分析接下来我们分析纪律高危型学生的班级特征定位高危学生集中的班级新建工作表“纪律高危型学生班级特征分析”数据集选择“学生考勤主题数据集”图表类型选择“水平条图”将字段“class_name”拖拽至Y轴“student_id”拖拽至X轴并将“student_id”的聚合方式设置为“去重计数”过滤器中添加字段“attendance_group”点击“attendance_group”后的“···” - “编辑”过滤器设置中点击“包含以下选项”。勾选“纪律高危型”最后点击“确认”为了方便观察高危型学生的集中班级我们可以将“student_id”按降序排序这样人数多的班级就排在前面分析从班级水平条图可以清晰看到纪律高危型学生高度集中在少数班级其中高三 09 班高危人数最多38 人其次为高三 08 班、高三 02 班等多数班级高危人数极少呈现明显的班级聚集性。结合年级分布特征来看高危学生主要集中在高三年级的部分班级这既与高三学生升学备考节奏紧张、课程安排灵活有关也说明高危行为与班级管理强度、班风氛围、同伴影响密切相关。少数薄弱班级需要重点整治通过加强班主任监管、整顿班风阻断不良风气传染。点击样式设置将主题色设置为同之前的图表的主题色一样点击“保存”按钮“保存并发布”工作表3.5 搭建综合仪表盘点击左边菜单栏中的“仪表盘”点击左上角“” - “新建仪表盘”仪表盘名字输入“纪律高危型学生用户画像分析”备注信息输入“纪律高危型学生用户画像分析”点击“确认”在右边组件与工作表区域点击“基础组件”拖拽一个文本组件到画布中文本内容输入“纪律高危型学生用户画像分析”并设置字体颜色、字体大小、加粗、居中关闭组件窗口组件右下角可以拖动跳转组件大小参考下图调整点击图表组件显示按钮切换到“工作表”将3.4节中制作的工作表都拖拽至画布中拖入完毕后使用鼠标对图表大小和布局进行调整同时将以上的分析使用“文本”组件呈现在仪表盘中形成完成的分析仪表盘“文本”组件可通过关闭“超出隐藏”开关来实现换行预期效果如下设计完毕后点击“发布”保存并发布仪表盘点击“预览”即可全屏查看仪表盘发布成功后可以点击“分享”并选择不同的分享方式将仪表盘分享给其他人查看将分享的信息复制发送给其他人其他人即可点击仪表盘的分享链接进行查看
![[具身智能-813]：计算机软件与人工智能，本质上他们都是缸中之脑，异同对比](http://pic.xiahunao.cn/yaotu/[具身智能-813]：计算机软件与人工智能，本质上他们都是缸中之脑，异同对比)
