第一部分：实验背景

1.1 实验目的

本实验分为两个核心部分，整体目的是掌握基于助睿数智（Uniplore）平台的学生考勤数据聚类建模、标签扩展、数据可视化及画像分析的全流程技能，具体任务与技能要求如下：

• 掌握使用助睿AI Studio平台进行K-Means聚类建模的操作，能够完成数据加载、聚类参数配置、结果输出与保存；

• 掌握助睿ETL平台的基本操作，能够通过SQL脚本新增表字段、通过转换流完成聚类结果与原始考勤表的关联更新，实现考勤主题扩展标签的构建；

• 掌握助睿BI平台的数据源连接、数据集构建、工作表制作及仪表盘搭建技能，能够通过可视化图表分析数据特征；

• 完成学生考勤群体的自动分群，生成自律模范型、轻微波动型、纪律高危型三类考勤画像标签，并对纪律高危型群体进行专项画像分析，为校园考勤精细化管理提供数据支撑；

• 能够验证实验结果的有效性，排查实验过程中的常见问题，形成完整的实验操作与分析思路。

1.2 实验环境

• 实验平台：助睿数智（Uniplore）在线实验平台，登录地址：https://lab.guilan.cn/，平台涵盖数据集成平台（助睿ETL）、人工智能平台（助睿AI）、助睿BI数据可视化探索平台三大核心功能模块，支持零代码拖拽式操作，实现数据接入、建模、可视化全链路处理；

• 数据库：MySQL数据库（团队私有数据库，用于存储实验所需数据表及实验输出结果）；

• 实验数据：前置数据为student_attendance_stats学生考勤主题标签表，包含学生基础信息（学号、姓名、班级、年级、性别等）与考勤次数统计（迟到、早退、请假、没穿校服次数等）；实验过程中生成student_cluster聚类结果表，最终更新后的student_attendance_stats表（新增cluster聚类簇编号、attendance_group考勤群体分类字段）；

• 实验设备：计算机（支持浏览器运行助睿平台，具备团队私有数据库连接权限）。

1.3 实验处理流程

本实验分为两个连贯部分，整体处理流程遵循“数据准备—聚类建模—标签扩展—可视化分析—画像总结”的逻辑，具体如下：

1. 第一部分（考勤主题扩展标签构建）：基于student_attendance_stats表，通过助睿AI Studio加载数据、配置K-Means聚类算法（簇数量为3），生成student_cluster聚类结果表；利用助睿BI平台可视化分析聚类簇特征，为聚类簇赋予业务含义（三类考勤群体）；通过助睿ETL平台新增表字段、配置转换流，将聚类标签（簇编号、群体分类）更新至student_attendance_stats表，完成扩展标签构建。

2. 第二部分（考勤主题可视化与高危群体画像）：基于更新后的student_attendance_stats表，利用助睿BI平台连接数据源、构建数据集，制作指标卡、饼图、柱状图、水平条图等工作表，分析纪律高危型群体的性别、年级、校区、班级特征；搭建综合仪表盘整合所有分析图表与结论，完成高危群体画像分析；验证实验结果有效性，排查实验问题。

第二部分：实验步骤

2.1 第一部分：考勤主题扩展标签构建

2.1.1 步骤1：进入助睿AI Studio，新建工作流

配置要点：1. 登录助睿实验平台后，点击左侧菜单“人工智能”，进入AI Studio用户空间；2. 点击页面左上角“+”，选择“新建工作流”，无需修改默认配置，直接进入工作流构建页面（包含菜单栏、控件列表、画布三大模块）。

2.1.2 步骤2：数据导入（加载student_attendance_stats表）

关键操作说明：使用“数据库加载”控件，从团队私有数据库中加载student_attendance_stats表数据，并筛选建模所需字段。

配置要点：1. 在控件列表中搜索“数据库加载”，拖拽至画布；2. 双击该控件，输入团队私有数据库连接信息，点击“连接”，在弹出窗口中选择student_attendance_stats表；3. 筛选保留student_id、class_id、late_count、early_leave_count、leave_count、uniform_violate_count字段，其他字段设为“skip”；4. 配置字段属性类型（student_id、class_id为categorical，4个考勤次数字段为numeric）；5. 右键点击该控件，选择“运行该控件”，运行成功后右键“查看输出结果”，确认数据加载正确。

2.1.3 步骤3：K-Means聚类建模

关键操作说明：拖拽“K-Means”组件，配置聚类参数，运行聚类算法，生成聚类结果（为每个学生分配簇编号C1/C2/C3）。

配置要点：1. 拖拽“K-Means”组件至画布，创建“数据库加载”组件到“K-Means”组件的连线；2. 双击“K-Means”组件，簇数量选择“固定3个”，其他参数保持默认；3. 右键运行该控件，运行成功后查看输出结果，确认每个学生均已标记对应的聚类簇编号。

2.1.4 步骤4：聚类结果输出与保存（生成student_cluster表）

关键操作说明：使用“数据入库”控件，将聚类结果保存至团队私有数据库，新建student_cluster表存储结果。

配置要点：1. 拖拽“数据入库”组件至画布，创建“K-Means”组件到“数据入库”组件的连线；2. 双击该控件，输入团队私有数据库连接信息，点击“获取表信息”；3. 选择“新建数据表”，表名称修改为“student_cluster”，点击“确定”；4. 运行整个工作流，确认所有控件运行成功，聚类结果已保存至student_cluster表。

2.1.5 步骤5：助睿BI连接数据源，构建聚类分析数据集

关键操作说明：进入助睿BI平台，连接团队私有数据库，创建数据集（基于student_cluster表），为后续聚类簇分析做准备。

配置要点：1. 点击实验平台左侧菜单“助睿BI”，进入BI平台首页；2. 点击左侧“数据源”，选择“+”→“新建连接”→“MySQL”，输入数据库连接信息，点击“测试连接”，成功后点击“确认”；3. 点击左侧“数据集”，选择“+”→“新建数据集”，输入数据集名称、所属分组及备注，点击“确认”；4. 在数据集配置页面，选择已新建的数据源和“labs”目录，将student_cluster表拖拽至画布；5. 将表中字段备注修改为中文（参考：student_id=学生ID、class_id=班级ID等），点击“保存”并“保存并发布”数据集。

2.1.6 步骤6：制作聚类簇分析工作表，解读聚类画像

关键操作说明：在助睿BI中新建分组及工作表，使用探索器图表，两两分析4个考勤指标的聚类簇分布，为聚类簇赋予业务含义。

配置要点：1. 点击左侧“工作表”，新建分组（用于存放聚类分析相关工作表）；2. 右键分组，选择“新建工作表”，输入名称（如“迟到早退次数的聚类簇分析”），选择数据集为“聚类簇编号数据集”；3. 图表类型选择“探索器”，将两个考勤指标分别拖拽至X轴、Y轴，颜色选择“Cluster（聚类簇编号）”，信息添加“student_id”并设为维度，将数据限额设为100%；4. 重复上述操作，依次制作迟到与请假、迟到与没穿校服、早退与请假、早退与没穿校服、请假与没穿校服的聚类簇分析工作表，保存并发布所有工作表。

2.1.7 步骤7：搭建聚类簇分析仪表盘，确定群体分类

关键操作说明：在助睿BI中新建仪表盘，将6个聚类分析工作表拖拽至画布，调整布局，解读聚类簇特征，确定三类考勤群体的业务名称。

配置要点：1. 点击左侧“仪表盘”，选择“+”→“新建仪表盘”，输入名称“聚类簇分析”及备注，点击“确认”；2. 拖拽“文本组件”至画布，输入“聚类簇分析”，设置字体格式（加粗、居中）并固定位置；3. 切换至“工作表”，将6个聚类分析工作表拖拽至画布，调整大小与布局；4. 结合散点图分布，确定聚类簇业务含义：C1=自律模范型、C2=轻微波动型、C3=纪律高危型，记录群体分类映射关系。

2.1.8 步骤8：助睿ETL新增字段，更新扩展标签

关键操作说明：进入助睿ETL平台，新建转换流，通过SQL脚本为student_attendance_stats表新增聚类相关字段，再通过转换流将聚类结果更新至该表。

配置要点：1. 进入上一实验创建的ETL项目，新建转换流“增加考勤主题扩展标签字段”，拖拽“执行一个SQL脚本”组件，输入SQL（新增cluster、attendance_group字段），选择团队私有数据库，运行转换流；2. 新建转换流“增加考勤群体分类标签”，拖拽“表输入”组件，获取student_cluster表数据；3. 拖拽“字段选择”组件，保留student_id、Cluster字段，修改字段类型为Integer；4. 拖拽“值映射”组件，将Cluster字段映射为attendance_group（C1=轻微波动型、C2=自律模范型、C3=纪律高危型）；5. 拖拽“更新”组件，选择student_attendance_stats表，设置查询关键字为student_id，更新字段为cluster、attendance_group；6. 运行转换流，查看数据探查结果，确认标签更新成功。

2.2 第二部分：考勤主题可视化与高危群体画像

2.2.1 步骤1：进入助睿BI，构建学生考勤主题数据集

关键操作说明：复用已有的团队私有数据库连接，新建数据集（基于更新后的student_attendance_stats表），用于后续高危群体分析。

配置要点：1. 进入助睿BI平台，点击左侧“数据集”，选择“+”→“新建数据集”，输入名称（如“学生考勤主题数据集”）、所属分组及备注；2. 选择已有的团队私有数据库数据源和“labs”目录，将student_attendance_stats表拖拽至画布；3. 确认字段备注已为中文，无需额外设置，点击“保存”并“保存并发布”数据集。

2.2.2 步骤2：制作整体概况指标卡（高危群体人数统计）

关键操作说明：新建工作表，制作指标卡，统计纪律高危型学生总人数、男生人数、女生人数、未知性别人数，直观呈现高危群体整体规模。

、

配置要点：1. 新建工作表分组（如“学生考勤主题分析”），右键新建工作表（如“纪律高危型总人数”），选择数据集为“学生考勤主题数据集”；2. 图表类型选择“指标卡”，将student_id拖拽至“值”，聚合类型设为“去重计数”；3. 添加过滤器，选择attendance_group，设置为“包含纪律高危型”；4. 调整样式（边距16、标题红色16号、值红色30号粗体），保存并发布；5. 重复上述操作，分别制作高危型男生、女生、未知性别人数指标卡，新增gender字段过滤器（分别包含男、女、未知）。

2.2.3 步骤3：制作性别特征分析工作表（饼图）

关键操作说明：制作两个饼图工作表，分别分析纪律高危型学生男女人数占比、全校学生男女人数占比，排除基数干扰，分析性别倾向。
 

配置要点：1. 新建工作表“纪律高危型学生男女人数占比”，数据集不变，图表类型选择“饼图”；2. student_id拖拽至“值”（去重计数），gender拖拽至“分类”；3. 添加过滤器，排除gender=未知、包含attendance_group=纪律高危型；4. 样式设置中，勾选“百分比”标签，调整内环大小、扇形圆角、主题色，保存并发布；5. 新建工作表“全校学生男女人数占比”，参考上述步骤，仅排除gender=未知，不设置attendance_group过滤器，保存并发布。

2.2.4 步骤4：制作年级特征分析工作表（柱状图）

关键操作说明：制作柱状图，分析纪律高危型学生在各年级的分布情况，明确年级特征。

配置要点：1. 新建工作表“纪律高危型学生年级特征分析”，图表类型选择“柱状图”；2. grade拖拽至X轴，student_id拖拽至Y轴（去重计数）；3. 添加过滤器，包含attendance_group=纪律高危型；4. 样式设置中，选择与饼图一致的主题色，取消边框色，保存并发布。

2.2.5 步骤5：制作校区+年级交叉特征分析工作表（堆叠柱状图）

关键操作说明：制作堆叠柱状图，分析不同校区、不同年级的高危学生分布，定位高发区域；同时制作全校校区+年级学生人数堆叠柱状图，排除基数干扰。

配置要点：1. 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”，图表类型为柱状图，参考年级特征分析步骤配置grade、student_id；2. 将campus_type拖拽至“分组”，形成堆叠效果；3. 添加attendance_group=纪律高危型过滤器，调整样式，保存并发布；4. 新建工作表“不同校区类型各年级学生人数”，参考上述步骤，不添加任何过滤器，制作全校校区+年级学生人数堆叠柱状图，保存并发布。

2.2.6 步骤6：制作班级特征分析工作表（水平条图）

关键操作说明：制作水平条图，分析纪律高危型学生的班级分布，定位高危学生集中的班级。

配置要点：1. 新建工作表“纪律高危型学生班级特征分析”，图表类型选择“水平条图”；2. class_name拖拽至Y轴，student_id拖拽至X轴（去重计数）；3. 添加attendance_group=纪律高危型过滤器；4. 将student_id按降序排序，调整主题色与饼图、柱状图一致，保存并发布。

2.2.7 步骤7：搭建综合仪表盘，整合分析结果

关键操作说明：新建仪表盘，将所有工作表（指标卡、饼图、柱状图、水平条图）拖拽至画布，添加分析文本，调整布局，发布并分享仪表盘。

配置要点：1. 新建仪表盘“纪律高危型学生用户画像分析”，添加文本组件，输入标题并设置格式；2. 将所有制作的工作表拖拽至画布，调整大小与布局，确保美观有序；3. 添加文本组件，填写各部分分析结论，关闭“超出隐藏”开关实现换行；4. 点击“发布”，保存并发布仪表盘；5. 点击“分享”，复制分享链接，完成仪表盘分享。

第三部分：实验结果

3.1 实验输出文件与数据结果

3.1.1 第一部分输出结果

• 聚类结果表：student_cluster表（存储学生ID、班级ID、4个考勤次数字段、聚类簇编号Cluster、轮廓系数Silhouette），共包含所有参与聚类的学生数据，每个学生对应唯一簇编号C1/C2/C3；

• 更新后的考勤主题标签表：student_attendance_stats表（新增cluster、attendance_group两个字段），所有学生均已标记聚类簇编号及对应的考勤群体分类（自律模范型、轻微波动型、纪律高危型）；

• 助睿BI数据集：聚类簇编号数据集（基于student_cluster表）；

• 助睿BI工作表：6个聚类簇分析工作表（探索器散点图）；

• 助睿BI仪表盘：聚类簇分析仪表盘（整合6个散点图，呈现聚类分布特征）；

• 聚类群体分类映射表： 聚类簇编号颜色群体分类名称核心特征C1蓝色自律模范型全维度异常次数均极低，出勤表现稳定，纪律意识强C2青色轻微波动型迟到早退次数低，偶发校服违规或请假，整体纪律可控C3黄色纪律高危型全维度异常次数均偏高，高频违纪行为叠加，存在极端离群记录

3.1.2 第二部分输出结果

5.2 实验反思与展望

本次实验虽然顺利完成，但仍存在一些不足：一是对K-Means聚类算法的参数优化（如簇数量的确定）掌握不够深入，仅使用固定簇数量，未进行参数调优；二是对原始数据的预处理不够细致，部分字段存在缺失值，影响了聚类结果的完整性；三是仪表盘的布局与样式设计不够美观，分析文本的逻辑性可进一步提升。

后续可进一步学习聚类算法的参数调优方法，提升建模效果；加强数据预处理技能，学习空值、异常值的处理方法，保证数据质量；优化仪表盘的设计，提升可视化效果与可读性，同时将实验方法应用于更多校园管理场景，如学生成绩分析、行为习惯画像等，充分发挥数据的价值。

• 助睿BI数据集：学生考勤主题数据集（基于更新后的student_attendance_stats表）；

• 助睿BI工作表：8个工作表（4个指标卡、2个饼图、2个柱状图、1个水平条图）；

• 助睿BI仪表盘：纪律高危型学生用户画像分析仪表盘（整合所有工作表及分析文本，可通过分享链接查看）；

• 核心统计数据：纪律高危型学生总人数421人，其中男生45人、女生38人、未知性别338人；全校男生占比53.03%、女生占比46.97%；高危型男生占比54.22%、女生占比45.78%；老校区高三高危学生261人（高发区），高三09班高危学生38人（最集中班级）。

• 3.2 结果分析与验证

  3.2.1 第一部分结果分析与验证

  1. 聚类结果验证：通过助睿BI探索器散点图可见，三类聚类簇分布清晰，无明显交叉重叠，轮廓系数正常，说明聚类效果良好，能够有效区分不同考勤行为的学生群体；

  2. 标签更新验证：通过数据探查查看student_attendance_stats表，所有学生均已成功添加cluster和attendance_group字段，簇编号与群体分类一一对应，无缺失、错误数据，说明标签扩展构建成功；

  3. 聚类画像合理性：自律模范型、轻微波动型、纪律高危型的分类符合校园考勤管理的业务逻辑，能够精准对应不同纪律表现的学生群体，为后续专项分析提供了可靠的标签支撑。

  3.2.2 第二部分结果分析与验证

  1. 整体概况分析：纪律高危型学生共421人，未知性别学生占比极高（338人），主要因原始数据中性别字段缺失，不影响核心特征分析；男生人数多于女生，说明男生考勤违纪风险更高；

  2. 性别特征验证：排除未知性别后，高危型男生占比（54.22%）高于全校男生基数占比（53.03%），女生占比则相反，验证了男生是高危群体的主要构成对象，与业务认知一致；

  3. 年级与校区特征验证：高三老校区是高危行为高发区，结合全校校区+年级人数分布，排除基数干扰后，确认老校区管理、通勤条件等因素对考勤的影响，新校区整体风险可控；

  4. 班级特征验证：高危学生集中在少数班级（如高三09班38人），说明班级管理强度、班风对学生考勤行为影响显著，验证了班级聚集性特征；

  5. 仪表盘验证：综合仪表盘整合了所有分析图表与结论，布局合理、数据清晰，能够直观呈现高危群体的核心特征，分享功能正常，可实现数据共享。

  第四部分：问题与解决

  4.1 问题1：数据库加载控件运行失败，无法加载student_attendance_stats表

  问题现象：在助睿AI Studio中，双击“数据库加载”控件，输入数据库连接信息后点击“连接”，提示连接失败，无法加载目标数据表，控件运行报错。

  问题原因：1. 数据库连接信息填写错误（如主机地址、端口号、用户名、密码输入有误）；2. 团队私有数据库未开启访问权限，导致平台无法连接；3. 数据表名称输入错误，与数据库中实际表名不一致。

  解决方法：1. 核对团队私有数据库的连接信息，逐字检查主机地址、端口号、用户名、密码，修正输入错误；2. 联系团队管理员，确认数据库已开启外部访问权限，确保助睿平台能够正常访问；3. 登录数据库，确认数据表名称为student_attendance_stats，无拼写错误，在控件中重新选择数据表，再次运行控件，成功加载数据。

  4.2 问题2：K-Means聚类后，部分学生未分配簇编号，结果缺失

  问题现象：运行K-Means控件后，查看输出结果，发现部分学生的Cluster字段为空，未分配C1/C2/C3中的任何一个簇编号，聚类结果不完整。

  问题原因：数据加载时，部分学生的考勤次数字段（late_count等）存在空值，K-Means算法无法处理空值数据，导致该部分学生无法参与聚类，未生成簇编号。

  解决方法：1. 回到“数据库加载”控件，重新配置字段选择，检查考勤次数字段是否存在空值；2. 在数据库中执行SQL语句，对空值进行处理（如用0填充空值），确保所有参与聚类的字段无空值；3. 重新运行“数据库加载”控件和K-Means控件，查看输出结果，确认所有学生均已成功分配簇编号。

  4.3 问题3：助睿BI制作饼图时，无法显示百分比标签

  问题现象：在制作性别占比饼图时，图表仅显示扇形区域，未显示各部分的百分比标签，无法直观查看占比情况。

  问题原因：助睿BI平台默认的饼图设置中，“标签显示形式”未勾选“百分比”，导致百分比标签不显示，仅显示默认的分类标签。

  解决方法：1. 点击饼图的“样式设置”，展开“图表元素设置”；2. 找到“标签显示形式”选项，勾选“百分比”，取消不必要的标签选项；3. 点击画布空白处，保存设置，饼图即可显示各部分的百分比标签，完成设置。

  4.4 问题4：ETL更新组件运行失败，无法将聚类标签更新至student_attendance_stats表

  问题现象：配置ETL更新组件后，运行转换流，提示“更新失败”，日志显示“字段类型不匹配”，无法将Cluster、attendance_group字段更新至目标表。

  问题原因：1. 字段选择组件中，student_id、class_id的字段类型未修改为Integer，与student_attendance_stats表中对应字段的类型不一致；2. 值映射组件中，目标字段attendance_group的字段类型未与目标表匹配；3. 更新组件中，表字段选择错误，将Cluster字段映射至错误的目标字段。

  解决方法：1. 双击“字段选择”组件，进入“元数据”选项，将student_id、class_id的字段类型修改为Integer，点击确认；2. 检查值映射组件，确保目标字段attendance_group的类型为文本型，与目标表一致；3. 双击“更新”组件，核对表字段选择，确保Cluster映射至cluster字段、attendance_group映射至attendance_group字段，重新运行转换流，更新成功。

  4.5 问题5：助睿BI仪表盘拖拽工作表后，部分图表无法显示数据

  问题现象：将制作好的工作表拖拽至仪表盘后，部分图表显示“无数据”，但单独打开工作表时数据正常显示。

  问题原因：1. 仪表盘选择的数据集与工作表的数据集不一致，导致数据无法加载；2. 工作表未成功发布，仪表盘无法引用未发布的工作表；3. 图表数据限额设置过低，导致部分数据无法显示。

  解决方法：1. 检查仪表盘的数据集设置，确保与所有工作表的数据集一致（均为学生考勤主题数据集）；2. 回到工作表模块，确认所有工作表均已“保存并发布”，未发布的工作表重新发布；3. 打开对应工作表，将数据限额设置为100%，保存后重新拖拽至仪表盘，图表正常显示数据。

  第五部分：实验总结

  5.1 实验收获

  通过本次实验（两部分连贯操作），我系统掌握了基于助睿数智（Uniplore）平台的学生考勤数据聚类建模、标签扩展、可视化分析及画像构建的全流程技能，具体收获如下：

• 技能层面：熟练掌握了助睿AI Studio平台的使用，能够完成数据加载、K-Means聚类参数配置、聚类结果输出与保存；掌握了助睿ETL平台的核心操作，能够通过SQL脚本新增表字段、通过转换流完成数据映射与更新，实现扩展标签构建；熟练运用助睿BI平台，完成数据源连接、数据集构建、各类工作表（指标卡、饼图、柱状图等）的制作，以及仪表盘的搭建、发布与分享。

• 知识层面：理解了K-Means聚类算法的基本原理及在学生考勤分群中的应用，掌握了聚类结果的可视化解读方法，能够为聚类簇赋予合理的业务含义；学会了如何通过多维度可视化分析（性别、年级、校区、班级），构建学生考勤画像，尤其是纪律高危型群体的特征分析方法；理解了数据预处理、数据验证在实验中的重要性，掌握了常见数据问题的排查与解决思路。

• 应用层面：能够将所学技能应用于校园考勤精细化管理场景，通过聚类建模实现学生考勤群体的自动划分，通过可视化分析精准定位高危群体及高发区域，为制定针对性的考勤管理措施提供数据支撑；培养了数据思维，学会了从数据中挖掘规律、分析问题，提升了数据处理与分析的实践能力。

• 问题解决层面：在实验过程中，遇到了数据库连接、聚类结果缺失、图表显示异常、ETL更新失败等问题，通过排查原因、查阅操作指引、反复调试，成功解决了所有问题，提升了问题排查与解决能力，也认识到实验操作的严谨性，细节失误可能导致实验失败，需注重每一步的配置与验证。