一、实验背景

1.1 实验目的

本次实验基于前期已完成 K-Means 聚类并标注考勤群体的学生考勤主题标签表 student_attendance_stats，专门针对 “纪律高危型” 群体进行深度画像分析。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，我们希望：

掌握使用助睿BI（零代码可视化平台）进行数据探索与图表制作的方法；

学会搭建综合仪表盘，完成从数据到洞察的完整分析流程；

挖掘纪律高危型学生的性别、年级、校区、班级分布规律，为精准干预提供数据支撑。

1.2 实验环境

平台：助睿数智（Uniplore）一站式数据科学实验平台

实验地址：https://lab.guilian.cn/

产品官网：https://www.uniplore.com/

主要模块：

助睿BI：数据可视化探索平台（用于制作图表、仪表盘）

MySQL数据库：存放源表 student_attendance_stats

数据源：团队私有数据库中已建好的 student_attendance_stats 表（包含聚类簇编号 cluster 和考勤群体分类 attendance_group）

实验设备：普通计算机（可访问互联网，具有数据库连接权限）

1.3 整体处理流程

二、实验步骤

以下每个步骤均包含操作说明、关键截图（以文字说明截图内容代替）和配置要点。

2.1 进入助睿BI

操作说明：登录助睿实验平台，点击左侧菜单栏的 “助睿BI”，进入可视化探索界面。

配置要点：无需特殊配置，确认能正常访问即可。

2.2 连接数据源

操作说明：由于上一个实验已创建团队私有数据库连接，本次无需重复连接，直接复用即可。

配置要点：确保 student_attendance_stats 表存在于 labs 目录下。

2.3 构建数据集

新建数据集：点击左侧 “数据集” → 左上角 “+” → “新建数据集”，命名为 学生考勤主题数据集，所属分组选择已有分组或新建“商业数据分析实验”，备注写“用于纪律高危型画像分析”。

选择数据源：在弹出的提醒中点击“好的，我知道了”。第一选项选“商业数据分析实验”，第二选项选 labs 目录。

拖入数据表：将 student_attendance_stats 拖拽至画布中央。

保存并发布：点击画布左上角 “保存” → “保存并发布”。发布后的数据集方可被工作表引用。

2.4 制作工作表（核心分析）

2.4.1 整体概况指标卡

（1）纪律高危型总人数

新建工作表，命名 纪律高危型总人数。

选择数据集 学生考勤主题数据集，图表类型选 “指标卡”。

将 student_id 拖入 值，聚合方式设为 去重计数。

过滤器：添加 attendance_group，条件为 包含以下选项 → 纪律高危型。

样式调整：标题字体16、红色、顶部居中；值的字体30、红色、粗体；边距16。

保存并发布。

（2）纪律高危型男生/女生/未知人数

复制上述工作表，分别重命名为 纪律高危型男生人数、纪律高危型女生人数、纪律高危型未知性别人数。

在过滤器额外增加 gender 字段：

男生：包含“男”

女生：包含“女”

未知：包含“未知”

样式可微调保持一致。

2.4.2 性别特征分析（饼图）

（1）纪律高危型学生男女人数占比

新建工作表，选择 饼图。

值：student_id（去重计数），分类：gender。

过滤器：

gender → 排除“未知”

attendance_group → 包含“纪律高危型”

样式：标签显示形式勾选 百分比；内环大小50%；扇形圆角半径10；主题色可自定义。

（2）全校学生男女人数占比（对比基准）

新建工作表，相同饼图配置，但不添加 attendance_group 过滤，仅排除 gender 未知。

结果示例：

纪律高危型：男生44.88%，女生55.12%

全校：男生53.03%，女生46.97%

（3）初步分析：女生在高危群体中占比略高于其全校基数，表明女生违纪风险真实更高，并非性别基数差异导致。（仅针对数据本身分析）

2.4.3 年级特征分析（柱状图）

新建工作表，图表类型 柱状图。

X轴：grade，Y轴：student_id（去重计数）。

过滤器：attendance_group 包含“纪律高危型”。

样式：主题色与饼图统一，边框色设为无。

观察：高三人数最多（约341人），高一、高二较少。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。

2.4.4 校区×年级交叉特征（堆叠柱状图）

沿用上一步柱状图，增加 分组：campus_type。

过滤器不变。

结果：老校区各年级高危人数远高于新校区，高三老校区达341人。

2.4.5 不同校区各年级学生人数（基数对比）

新建堆叠柱状图，不加任何考勤群体过滤，仅分组 campus_type，X轴 grade，Y轴 student_id。

得到全校新老校区各年级学生基数：

高一：老214，新14

高二：老260，新27

高三：老341，新0

结合高危分布可知：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，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，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。

2.4.6 班级特征分析（水平条图）

图表类型 水平条图。Y轴：class_name，X轴：student_id（去重计数）。

过滤器：attendance_group 包含“纪律高危型”。

排序：X轴按降序排列，使高危人数多的班级排在上方

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 13 班高危人数最多（37 人），其次为高三 11 班、高三 08 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。

2.5 搭建综合仪表盘

新建仪表盘：点击左侧 “仪表盘” → “+” → “新建仪表盘”，名称为 纪律高危型学生用户画像分析。

添加标题组件：拖拽 文本组件，输入“纪律高危型学生用户画像分析”，设置字体大小24、加粗、居中。

拖入工作表：切换到 “工作表” 选项卡，将上述所有已发布的工作表依次拖拽到画布中。

添加分析结论文本：拖拽多个文本组件，将各步骤的分析结论（如性别对比、年级分布解读、校区交叉结论、班级聚集现象）直接书写在仪表盘上，关闭“超出隐藏”以支持换行。

调整布局：拖动组件右下角改变大小，合理安排图表位置，形成从左到右、从上到下的阅读流。

发布与分享：点击 “发布”，然后点击 “预览” 查看全屏效果。最后点击 “分享”，复制链接即可分享给他人。

最终仪表盘效果（截图）：包含指标卡、饼图、柱状图、堆叠图、水平条图，以及对应的文字分析段落。

三、实验结果

4.1 整体概况

纪律高危型学生存在高频迟到、早退、请假及校服违规行为，多维度违纪叠加，是校园考勤管理中最需重点关注的群体。该群体人数占比虽可控，但行为影响大，易引发不良风气，需专项治理  

3.2 核心特征

1.  性别特征：女生为高危群体主体，占比显著高于男生，是高危行为的主要发生对象（仅针对该数据）

2.  年级特征：高度集中于高年级，随年级升高，高危学生占比明显上升，高年级学生学业压力大、自主空间广、心态浮躁，对考勤纪律重视度下降  

3.  校区特征：在不同校区呈现明显分布差异，高危学生高度集中在老校区，新校区风险较低，与校区通勤条件、管理模式、学风氛围密切相关  

4.  班级特征：存在明显班级聚集性，集中在少数管理薄弱、班风涣散的班级，与班级管理强度、同伴效应直接相关    

3.3 管理建议

1.  重点关注高年级女生群体：针对性开展考勤纪律教育与时间管理培训，强化规则意识，减少违纪行为发生  

2.  加强老校区高年级管理：针对老校区优化通勤管理、强化考勤监督，营造严谨学风氛围，降低学生违纪风险  

3.  整治高危学生集中班级：加强班主任监管力度，整顿班风，建立班级考勤责任制，阻断不良风气传染  

4.  建立高危学生台账：一对一建档，家校联动，制定个性化矫正方案，跟踪干预效果，防止违纪行为固化

四、问题与解决

在实验过程中，我遇到了以下几个典型问题，记录如下：

问题1：指标卡中“去重计数”默认不是去重

现象：将 student_id 拖入“值”后，显示的数字远大于实际学生总数（例如显示1.2万，实际只有400多）。

原因：默认聚合方式是“计数”（包括重复值），而 student_id 在数据集中可能存在重复（每个学生多条考勤记录）。

解决方法：点击字段下拉菜单，将聚合方式改为 “去重计数”，此时数值恢复正常。

问题2：饼图中性别“未知”未被过滤，导致百分比异常

现象：纪律高危型性别占比饼图出现了“未知”类别，且占比很大（如80%以上），失去分析意义。

原因：遗漏了对 gender 字段的过滤。

解决方法：在过滤器添加 gender，选择 “排除以下选项” 并勾选“未知”。注意两个过滤器（gender 和 attendance_group）是“与”的关系。

问题3：仪表盘中的文本组件无法换行

现象：输入长段落分析结论时，文本自动横向滚动，不换行。

原因：文本组件默认开启了“超出隐藏”。

解决方法：在组件属性中 关闭“超出隐藏”，然后手动输入换行或调整组件宽度即可自动换行。

问题4：保存工作表后，在仪表盘中找不到新做的工作表

现象：仪表盘的“工作表”列表中没有刚保存的工作表。

原因：保存时未点击 “保存并发布”，只点了“保存”，导致工作表未发布。

解决方法：重新打开该工作表，点击“保存”旁的下拉按钮，选择 “保存并发布”。或者再次修改任意内容后发布。

五、实验总结

5.1 收获

通过本次实验，我全面掌握了助睿BI平台进行零代码数据分析与可视化的完整流程：

学会了从数据库表构建数据集，并发布供工作表使用；

熟练使用指标卡、饼图、柱状图、堆叠柱状图、水平条图等多种图表组件；

掌握了过滤器、聚合方式、样式调整、分组等核心配置技巧；

能够搭建综合仪表盘，将多个图表和分析文字有机整合，形成一份可交互的数据报告；

学会了发布与分享仪表盘，实现与团队或管理者的快速共享。

更重要的是，我深刻体会到数据驱动管理的价值：仅凭直觉认为“高年级纪律差”是不够的，通过对比全校基数、校区分布等数据，可以精准定位问题所在——老校区高三年级、少数薄弱班级才是真正的“重灾区”。

5.2 对助睿平台的评价

助睿数智（Uniplore）作为一站式零代码数据科学平台，在本次实验中表现出以下优势：

上手简单：无需编写SQL或代码，拖拽式操作，对非技术用户非常友好。

功能完整：从数据接入、ETL（虽本次未使用）、可视化到仪表盘发布，全链路覆盖。

协作便捷：发布后的仪表盘可一键分享链接，接收方无需登录即可查看，适合汇报场景。

灵活性强：过滤器、聚合、分组、样式自定义等自由度较高，能满足常见分析需求。

建议改进：有时“保存”与“保存并发布”容易混淆，新手可能忘记发布导致图表找不到；希望后续版本在保存时增加“是否发布”提示。