同样是做学生考勤管理，为什么有的人只能每天对着Excel里的“迟到/早退”记录头疼，而有的人却能用一张炫酷的BI数据大屏，直接揪出背后的“纪律高危人群”，甚至精准定位到具体班级和群体特征？

今天，我将带大家硬核上手，基于真实的脱敏考勤数据，用全程零代码的方式，完成一次堪比专业数据分析师的“考勤画像可视化分析”。小白也能轻松复现，建议先收藏再看，以防找不到！

第一部分：实验背景（我们在解决什么问题？）

1. 实验目的：精准“捕获”纪律高危群体

基于前期已经完成 K-Means 聚类打标的学生数据，本次实验我们将拿着放大镜，专门盯住“纪律高危型”这个群体。 他们高频违纪、多维异常叠加，是校园管理的“定时炸弹”。我们要通过可视化的手段，把这群人的性别倾向、年级分布、校区差异、班级聚集度扒得一干二净，用数据教他们做人（划掉），为学校的精准干预提供铁证！

2. 实验环境与工具

• 神仙平台：助睿数智（Uniplore）一站式数据科学实验平台。这里强烈安利，它把数据接入、ETL、机器学习到可视化全包了，纯小白也能靠“拖拉拽”起飞。

• 平台传送门：https://lab.guilian.cn/

• 产品官网：https://www.uniplore.com/

• 弹药库（数据源）：student_attendance_stats （学生考勤主题标签表，内含上万条多维脱敏数据）。

3. 实验数据（我们手里到底有什么牌？）

本次实验的核心“弹药”是存放在团队私有数据库中的 student_attendance_stats（学生考勤主题标签表）。这张表不仅包含了学生的脱敏基础信息，还汇总了他们各个维度的考勤指标，以及前期算法打上的“考勤群体分类”标签。总数据量过万条。

1️⃣ 核心数据表结构：

字段名	字段类型	中文释义
id	int	自增主键
student_id	int	学生ID
student_name	varchar(50)	学生姓名（已脱敏）
class_name	varchar(50)	班级名称
grade	varchar(10)	年级（如高一、高二）
gender	varchar(10)	性别
campus_type	varchar(10)	校区类型（老校区/新校区）
late_count	int	迟到次数
early_leave_count	int	早退次数
leave_count	int	请假次数
uniform_violate_count	int	没穿校服次数
cluster	varchar(10)	聚类簇编号（前期机器学算法产出）
attendance_group	varchar(30)	考勤群体分类（本次分析的核心靶点）

2️⃣ 真实脱敏数据长什么样？（样例瞥一眼）：

id	student_id	student_name	class_name	grade	gender	campus_type	late_count	leave_count	cluster	attendance_group
1	10842	马某某	高三(09)	高三	未知	老校区	1	3	C3	纪律高危型
2	10844	叶某某	高三(09)	高三	未知	老校区	0	5	C3	纪律高危型
3	10845	孙某某	高三(09)	高三	未知	老校区	3	0	C3	纪律高危型

📌 点评：有了这些多维度的特征数据，我们就能像捏泥人一样，在 BI 平台里把高危群体的画像精准捏出来！

4. 处理流程（全局视野，不迷路）

在动手之前，先给大家上个干货满满的全局架构图。跟着这张图走，逻辑绝对清晰：

 

第二部分：保姆级实验步骤（跟着做，必成！）

准备好了吗？我们要开始“大闹”数据源了！👇

🛠️ 步骤 1：突入助睿BI大本营

登录助睿实验平台后，目光锁定左侧菜单栏，点击“助睿BI”。

 

在首页，你可以像指挥官一样俯瞰当前账户的数据资产和处理流程。

 

🛠️ 步骤 2：秒连数据源

得益于我们在上一个实验（上次实验的链接）中已经打通了团队私有 MySQL 数据库的连接，student_attendance_stats 这张表已经就位。这一步我们直接白嫖之前的数据源，免去了繁琐的配置。

🛠️ 步骤 3：构建专属数据集

要想让图表听话，得先给数据立规矩，也就是构建“数据集”。

1. 点击左侧“数据集” -> 点击左上角 “+ 新建数据集”。

 

2. 给它起个响亮的名字（比如：学生考勤主题数据集），选好分组，点击确认。

 

3. 划重点：在配置页面，第一个下拉框选中我们的私有数据源，第二个选择 se_group_1 目录。

 

4. 将左侧栏里的 student_attendance_stats 表，优雅地拖拽到中间画布。

 

5. 点击左上角“保存” -> “保存并发布”。搞定！

 

🛠️ 步骤 4：爆肝制作可视化图表（前方高能 🚀）

这是最硬核的部分，我们要通过5个维度，把高危群体彻底剥析！建议先建个分组叫“学生考勤主题分析”。

 

 

⚔️ 维度一：整体概况（他们到底有多少人？）

我们需要做4张高颜值的指标卡，瞬间摸清敌情。

1. 新建工作表，命名“自律模范型人数”

 

 

选好刚才发布的数据集。

 

2. 图表类型选择“指标卡”。

 

3. 把 student_id 拖到“值”区域，聚合类型毫不犹豫地改为“去重计数”（保证人数不重复）。

 

 

4. 灵魂操作（过滤器）：在过滤器处点击“+”，选择 attendance_group（考勤群体分类）

 

设为“包含: 纪律高危型”（同理也可看自律模范型）。

 

5. 颜值即正义：进入“样式设置”，边距拉满到16，标题调成红色/16号/顶部居中，数值调成红色/30号/加粗。霸气侧漏！

 

 

6. 选择保存->保存并发布

 

7. 举一反三（制作另外3张细分指标卡）：有了总人数，我们再如法炮制另外三张。分别新建工作表“高危型男生人数”、“高危型女生人数”、“高危型未知性别人数”。唯一的区别是：在图表的过滤器中，再多加一层对 gender（性别）字段的筛选，分别勾选对应的“男”、“女”或“未知”即可轻松搞定！

 

 

 

💡 维度一数据深度洞察（宏观基本盘）： 从这四张高亮指标卡中，我们能一眼看清战场全貌： 全校纪律高危型学生总人数为 421 人。虽然占万名总人数的比例可控，但这 421 人的高频、多维考勤违纪行为会严重侵蚀正常的班学风。 在已知性别的学生中，男生为 45 人，女生为 38 人。 初步业务洞察：在已知性别的纪律高危学生中，男生人数明显多于女生。这初步勾勒出了高危人群的性别倾斜轮廓。但是，这真的是因为“男生更容易考勤违纪”吗？还是说仅仅是因为这所学校里男生本来就特别多，基数大导致的？我们必须引入“对照组饼图”，进行无情地求证！

⚔️ 维度二：性别特征（男生更皮，还是女生更野？）

1️⃣ 纪律高危型学生男女人数占比（高危靶点）

1. 新建工作表“纪律高危型学生男女人数占比”

 

选“饼图”。

 

2. student_id (去重计数) 拖入值，gender 拖入分类。

 

3. 避坑指南：记得在过滤器里，排除 gender 为“未知”的数据

 

并锁定群体为“纪律高危型”，否则比例会严重失真！

 

4. 进入图表元素设置，开启“百分比标签”

 

内环大小设为 50%

 

并设置一个好看的主题色，一个极具现代感的环形饼图就诞生了。

 

5. 点击“保存”按钮，“保存并发布”工作表

 

2️⃣ 全校学生男女人数占比（全校大盘对照组） 我们需要看清全校真实的“人口底色”：

1. 新建工作表，命名为“全校学生男女人数占比”，同样选择“饼图”。

 

2. student_id (去重计数) 拖入值，gender 拖入分类。

 

3. 关键差异：这次我们过滤器里只保留排除 gender “未知” 的条件，绝对不要添加 attendance_group 的过滤条件！

 

4. 样式设置与高危型饼图保持一致，保持视觉美观。

 

💡 维度二数据深度洞察（性别特征剖析）： 让我们把这两张精美的环形图放在一起，进行硬核的数据“对线”： 深入分析：对比发现，男生在高危群体中的占比（54.22%），明显高于其在全校的基数占比（53.03%），高出了近 1.2 个百分点；相反，女生在高危群体中的占比（45.78%），则低于其在全校的基数大盘比例（46.97%）。 结论：这一实锤的数据对比表明，高危群体中男生偏多绝对不是因为全校男生人多，而是因为在真实的考勤场景下，男生的违纪风险确实显著高于女生！男生在时间观念、规则意识、学校规章制度的自我约束上相对较弱，后续学校的纪律引导课，必须针对男生进行定点突破。

⚔️ 维度三：年级特征（哪个年级最难管？）

1. 新建工作表“纪律高危型学生年级特征分析”，选“柱状图”。

 

2. X轴放 grade，Y轴放 student_id (去重计数)。

 

3. 过滤器同样死死锁住“纪律高危型”。

 

4. 一键去除边框，统一UI色调，保存发布。

 

 

💡 维度三数据深度洞察： 柱状图呈现极其强烈的“长尾特征”：高三年级的高危学生人数呈断层式遥遥领先，而高一、高二年级的高危人数则极少，甚至可以说是“岁月静好”。 结论：高危考勤违纪行为在年级维度上呈现“越往高年级，违纪风险越高”的惊人规律。这与我们日常的直觉相符——高三学生由于面临着极为严苛的备考压力，备考节奏极其紧张。部分学生可能存在校外特殊培训、特殊升学路径调整、甚至是因为升学无望而产生浮躁、摆烂等心态，导致考勤行为在最后一年出现大面积脱轨。管理层应当对高三考勤给予针对性弹性和精准监控。

⚔️ 维度四：时空交叉（新校区 vs 老校区）

单一维度看腻了？我们来个降维打击——交叉分析。

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”并选择柱状图

 

2. 参考“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

 

3. 接下来把 campus_type（校区类型）拖拽到“分组”槽位。见证奇迹的时刻：普通的柱状图瞬间变成了信息量爆棚的堆叠柱状图。老校区和新校区的差距一览无余！

 

4. 点击“保存”按钮，“保存并发布”工作表

 

不同校区类型各年级学生人数工作表（全校大盘对照组）

为了彻底查明老校区违纪学生多，究竟是因为“老校区本身人满为患”，还是因为“老校区的管理氛围更容易出问题”，我们需要做全校大盘的时空堆叠对照图！

1. 新建工作表，命名为 “不同校区类型各年级学生人数”。图表类型同样选择“柱状图”。

 

2. 数据配置：X轴拖入 grade，Y轴拖入 student_id（去重计数），分组拖入 campus_type。

 

3. 对照核心点：不添加任何过滤器字段！让全校各个班级、所有类型学生的时空分布在大盘图上原形毕露。

 

4. 样式设置选一个好看的~~

 

5. 保存并发布。

 

💡 维度四数据深度洞察（时空双向对碰）： 让我们来做一次教科书般精细的数据对碰分析： 高一：全校大盘中老校区 1021 人，新校区 148 人（老校区是新校区的 6.9 倍）。而在高危群体中，老校区高一 80 人，新校区 10 人（比例为 8 倍）。老校区略高，基本符合人口比例。 高二：全校大盘中老校区 1079 人，新校区 295 人（老校区是新校区的 3.6 倍）。但在高危群体中，老校区高二 130 人，新校区 19 人（比例飙升至 6.8 倍！）。这证明老校区高二学生的实际违纪风险已经开始偏轨。 高三：全校大盘中老校区 1883 人，新校区为 0 人（高三全部集中在老校区）。对应的高危人数也全部堆积在老校区，高达 261 人！ 结论：新校区整体风险极度受控，这可能得益于新校区更具现代化的封闭式管理、更便利的校内住宿通勤和崭新的治学氛围。而老校区是考勤违纪的绝对高危温床。由于老校区可能存在通勤堵车、周边娱乐设施较多、老旧设施干扰等问题，叠加高三毕业班焦虑，导致高三老校区成为高危违纪的重灾区。管理力量和打卡硬件应当重点向老校区倾斜！

⚔️ 维度五：班级溯源（擒贼先擒王）

到底哪个班是“重灾区”？

1. 新建工作表“纪律高危型学生班级特征分析”，选“水平条图”。

 

2. Y轴 class_name，X轴 student_id (去重计数)。

 

过滤“纪律高危型”。

 

3. 关键一步：对人数进行降序排列。排在最上面的那几个班，班主任可能要被请喝茶了。

 

4. 点击样式设置，将主题色设置为一个好看的~

 

💡 维度五数据深度洞察（班级特征剖析）： 极其强烈的聚集性（羊群效应）：从条形图中我们可以震惊地发现，违纪高危学生并不是在全校各个班级零星、均匀散布的，而是高度、极度聚集在极少数薄弱班级中！ 具体数据：高三(09)班独占 38 名高危学生，位列全校第一；紧随其后的是高三(08)班、高三(02)班等。而学校绝大多数班级的高危人数仅为零星几人甚至为零。 结论：这一特征证实了校园违纪行为存在极强的“同伴效应”与班级传染*。当一个班级班风开始松懈、班主任监管缺失时，不良风气会迅速蔓延，导致群体性脱轨。抓班风、盯班主任、阻断不良风气的传染，是消灭高危人群成本最低、成效最快的策略。

🛠️ 步骤 5：终极大招——搭建BI驾驶舱

零散的图表就像一盘散沙，我们要把它们组装成一台“数据超跑”。

1. 进入左侧“仪表盘”，“+ 新建仪表盘”，命名“纪律高危型学生用户画像分析”。

 

 

2. 拽一个“文本组件”当大屏的炫酷Title，字号拉大，加粗居中。

 

 

3. 从“工作表”列表里，把刚才做的图表一个个拖进画布。

 

4. 化身UI设计师：调整大小，合理排版。可以在旁边再加几个文本组件写上你的分析结论。

 

5. 发布后可以点击分享，分享给其他人查看，准备迎接他们的膝盖吧！

 

复制结果如下，读者可以点击连接查看仪表盘 访问地址：Uniplore VA Studio

第三部分：实验结果（数据不会撒谎）

经过一番猛如虎的操作，我们成功输出了这份价值连城的《纪律高危型学生画像仪表盘》。 结合全校大盘数据做交叉验证，我们得出了以下几个令管理层“心跳加速”的结论：

1. 群体真容：高危总计 421 人。男生不仅绝对数量多，排除基数差异后，其真实违纪风险依然显著高于女生。

2. 风暴中心（时空特征）：高危人群呈现极端的聚集性，老校区的高三年级（高达 261 人）简直是风暴中心，反观新校区则非常岁月静好。

3. 羊群效应（班级特征）：违纪并不是均匀分布的，而是高度集中在高三09班（38人）、08班等极少数班级，说明班风的“传染性”极强。

第四部分：防坑指南（问题与解决）

在实战中我踩过的坑，都给你们填平了：

❌ 踩坑 1：性别饼图比例诡异，加起来不到 100%？

• 深层原因：脱敏数据中混入了大量 gender = "未知" 的记录，它们作为分母稀释了真实男女比例。

• 破局之法：玩转过滤器。在图表设置中新增 gender 过滤器，选择【排除以下选项】并勾选“未知”。数据瞬间恢复正常。

❌ 踩坑 2：高大上的仪表盘，文字备注被残忍截断？

• 深层原因：助睿BI的文本组件默认开启了防溢出的“超出隐藏”功能，导致多行文本无法换行。

• 破局之法：选中该文本组件，在右侧属性面板里，果断关闭“超出隐藏”开关，长篇大论立刻服服帖帖地自动换行。

第五部分：实验总结（升华时刻）

💡 1. 认知颠覆：从“看数据”到“用数据驱动决策 (DDDM)”

在做这个项目之前，面对一万多条学生考勤记录，我眼中的数据只是一堆冰冷的数字。但通过这一整套“K-Means 聚类打标 + 多维可视化大屏”的组合拳，我真正体会到了什么叫数据驱动决策（Data-Driven Decision Making）。机器学习算法产出的标签仅仅是一个“黑盒结论”，而 BI 可视化大屏则是把黑盒彻底打开，将其转化为校领导和班主任能够一眼看懂的“管理作战地图”。

🧠 2. 核心分析思维进阶：“对照组思维”与“多维切片”

通过这次爆肝实战，我彻底打通了数据分析的任督二脉：没有对比，数据就没有灵魂。

• 排除幸存者偏差：当我们看到高危人群中男生占 54% 时，如果直接得出“男生更坏”的结论是非常业余的。只有当我们引入“全校大盘底色”（男生基础占比仅 53%）进行硬核对碰，才能科学地论证溢出风险。

• 时空交叉切片：单一维度的分析往往会掩盖真相。我们利用“校区 + 年级”的双堆叠交叉降维打击，精准洗清了新校区的“嫌疑”，把真正的暴风眼（老校区高三年级）给揪了出来。这种严谨的分析逻辑，是通往资深商业数据分析师的必经之路！

🎯 3. 业务反哺：技术如何真正赋能“精细化管理”

商业数据分析的终极目的从来不是为了画几张好看的图表炫技，而是解决真实的业务痛点。 通过这块大屏，学校的考勤管理可以直接从传统的“一刀切、全校通报”升级为“精准网格化滴灌”：不搞大锅饭，不搞连坐，而是把有限的巡逻保安和德育老师，直接精准投放给老校区的高三年级；把防微杜渐的班风整顿会，直接精准开到高三(09)班、(08)班的班主任头上。建立高危学生的一对一帮扶台账。这就是数据分析创造的巨大商业（管理）价值！

🌟 4. 平台体验与工具论：释放生产力，回归“商业思考”

最后，必须要给这次立下汗马功劳的助睿数智（Uniplore）平台送上最高级别的安利！ 过去我们要实现这样的分析，需要耗费大量时间去写 Python（Pandas清洗数据 + Matplotlib绘图代码），或者写长篇大论的 SQL 甚至还要手搓前端组件，单单是排查环境报错和 Bug 就能让人崩溃。 但在助睿 BI 里，我深刻体验到了什么是“数据平权（Data Democratization）”：

• 真正的全链路零代码：全程只靠鼠标拖拽、点选多重过滤器，就能极其丝滑地完成复杂的数据清洗和对照组拼接，所见即所得。

• 大厂级的视觉美学：图表之间的联动、内环百分比的展示、边框留白设计，非常符合现代商业驾驶舱的高级审美标准。

• 敏捷交付的效率神话：一键生成分享链接，极大地降低了团队协作与学术成果交付的门槛。 助睿这样的 Agile BI（敏捷BI）工具，把打工人和学生党从枯燥繁杂的代码中彻底解放了出来，让我们能把 80% 的精力花在业务思考和商业洞察上。强烈推荐每一个学习商业数据分析的朋友前去白嫖探索！

✍️ 写在最后： 爆肝排版、画图、写结论不易，如果这篇充满了“对照组商业思维”和“避坑干货”的保姆级教程帮到了你，别忘了点赞、收藏、关注三连支持一下！有任何问题我们在评论区不散，一起探讨数据之美！👇👇👇