#助睿数智 #商业数据分析 #K-Means聚类 #学生考勤分析

一、实验背景

1.1 实验目的

本次实验基于上一实验生成的学生考勤主题标签表（student_attendance_stats），利用K-Means聚类算法对学生考勤行为进行自动分群。具体目标如下：

• 掌握在助睿数智（Uniplore）平台上完成从数据加载、K-Means建模、结果保存到可视化分析的全流程零代码操作。

• 通过迟到次数、早退次数、请假次数、校服违规次数四个核心指标，将学生划分为不同考勤群体，并赋予可解释的画像标签。

• 将聚类结果回写至原始考勤表，丰富学生考勤主题标签，为校园精细化管理提供数据支撑。

1.2 实验环境

• 平台：助睿数智（Uniplore）一站式数据科学实验平台（https://lab.guilian.cn/），该平台覆盖数据接入、ETL处理、机器学习建模到可视化分析的全链路零代码功能。产品官网：https://www.uniplore.com/

• 子平台：

  • 数据集成平台（助睿 ETL）

  • 人工智能平台（助睿 AI Studio）

  • 助睿BI 数据可视化探索平台

• 数据库：MySQL（团队私有数据库）

• 前置数据：学生考勤主题标签表（student_attendance_stats），包含学生基础信息和考勤次数统计。

1.3 处理流程简述

整个实验分为三大阶段：

1. AI Studio聚类建模：加载考勤次数字段，使用K-Means算法将学生聚为3类，生成含聚类簇编号的结果表student_cluster。

2. BI可视化画像解读：将聚类结果导入助睿BI，制作多组散点图，根据各簇在迟到、早退、请假、校服违规上的分布特征，为每个簇赋予业务含义（自律模范型/轻微波动型/纪律高危型）。

3. ETL标签回写：在原考勤表student_attendance_stats中增加cluster和attendance_group字段，并通过字段选择、值映射、更新等组件完成数据回写。

---

二、实验步骤

2.1 AI Studio 聚类建模

2.1.1 新建工作流

登录助睿实验平台（https://lab.guilian.cn/），点击左侧菜单“人工智能”，进入AI Studio。点击“+”→“新建工作流”，命名为“学生考勤聚类分析”。

2.1.2 数据导入

从控件列表搜索“数据库加载”组件，拖拽至画布。双击组件，配置团队私有数据库连接信息（主机、端口、数据库名、用户名、密码），点击“连接”。

在弹出的表选择窗口中，选择student_attendance_stats表。在字段配置界面，仅保留student_id、class_id、late_count、early_leave_count、leave_count、uniform_violate_count，其余字段设为“skip”。将保留字段的属性类型设为“categorical”（前两个）或“numeric”（后四个）。点击“确定”。

右键单击“数据库加载”组件，选择“运行该控件”，运行成功后右键“查看输出结果”，确认数据已正确加载。

2.1.3 K-Means 聚类建模

拖拽“K-Means”组件至画布，连接“数据库加载”组件到“K-Means”。双击K-Means组件，在配置窗口中：

• 簇数量：选择“固定个数” → 输入“3”

• 其他参数保持默认。
  
  

右键运行K-Means组件，查看输出结果。可以看到每个学生对应一个簇编号（C1/C2/C3）。

2.1.4 结果输出与保存

拖拽“数据入库”组件到画布，连接K-Means组件到“数据入库”。双击“数据入库”，配置团队私有数据库连接，点击“获取表信息”，选择“新建数据表”，表名设为student_cluster，点击“确定”。

右键画布空白处选择“运行工作流”，等待所有控件运行成功（右上角显示绿色对勾）。

2.2 助睿BI可视化分析：聚类画像解读

2.2.1 连接数据源

点击左侧菜单“助睿BI”，进入BI平台。点击“数据源”→“+”→“新建连接”→选择“MySQL”。输入团队私有数据库连接信息（与前面一致），点击“测试连接”，成功后点击“确认”。

在数据源列表中展开新建的连接，找到student_cluster表，右键可预览数据。

2.2.2 构建数据集

点击左侧“数据集”→“+”→“新建数据集”，名称输入“聚类簇编号数据集”，所属分组默认，点击“确认”。自动跳转至数据集配置页面。

在数据源选择区，第一项选刚建的MySQL连接，第二项选目录，然后拖拽student_cluster表至画布。在下方字段列表中，依次为每个字段设置备注（别名）：

• student_id → 学生ID

• class_id → 班级ID

• late_count → 迟到次数

• early_leave_count → 早退次数

• leave_count → 请假次数

• uniform_violate_count → 没穿校服次数

• Cluster → 聚类簇编号

• Silhouette → 轮廓系数

完成后点击左上角“保存”→“保存并发布”。

2.2.3 制作工作表（散点图分析）

点击“工作表”，先新建分组“考勤画像分析”。在分组下新建工作表，命名为“迟到与早退次数的聚类簇分析”。

选择数据集为“聚类簇编号数据集”，图表类型选“探索器”。将late_count（迟到次数）拖至X轴，early_leave_count（早退次数）拖至Y轴。点击图形设置按钮：

• 颜色区域点击“+”，选择“Cluster（聚类簇编号）”并确认。

• 信息区域点击“+”，选择“student_id（学生ID）”并确认，将其设置为“维度”。

• 将数据限额设为“100%”（避免只显示前2000条）。
  
  
   

调整颜色主题（如蓝、青、黄三色），点击保存发布。

按照相同方法依次创建以下工作表（两两组合）：

• 迟到与请假次数

• 迟到与没穿校服次数

• 早退与请假次数

• 早退与没穿校服次数

• 请假与没穿校服次数
  

2.2.4 搭建仪表盘

点击“仪表盘”→“+”→“新建仪表盘”，名称“聚类簇分析”。在右侧组件区拖拽一个“文本组件”，输入标题“学生考勤聚类画像分析”，设置居中、加粗、字体大小。固定位置（点击图钉图标）。

切换到“工作表”标签，将上述制作的6个工作表依次拖拽至画布，调整大小和布局（例如两行三列）。保存并发布仪表盘。

2.2.5 聚类群体画像解读

根据散点图分布，我们得出以下结论：

• C1（蓝色）：所有指标组合中，数据点高度集中在低频次区间，无离群值 → 自律模范型（出勤稳定，纪律意识强）

• C2（青色）：整体低频，但部分点略散，偶有校服违规或请假，迟到早退低 → 轻微波动型（整体可控，需日常提醒）

• C3（黄色）：迟到次数与其他指标组合中出现大量高频记录，且伴随早退、请假或校服违规 → 纪律高危型（多维度违纪，需重点干预）

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	全维度异常次数极低，出勤稳定
C2	青色	轻微波动型	迟到早退低，偶发校服违规或请假
C3	黄色	纪律高危型	全维度异常次数偏高，有极端离群记录

2.3 ETL回写：将分类标签加入原考勤表

2.3.1 新增扩展字段

回到数据集成平台（ETL），打开上一实验创建的项目。新建转换流“增加考勤群体标签字段”。拖拽“执行一个SQL脚本”组件，双击配置：

• 数据库连接：团队私有数据库

• SQL脚本内容：

  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';

点击“确认”，运行转换流。执行成功后，原表增加两个空字段。

2.3.2 聚类簇编号数据获取

新建转换流“更新考勤群体分类”。拖拽“表输入”组件，双击配置，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

拖拽“字段选择”组件，连接至表输入。双击字段选择，点击“获取字段”，然后仅保留student_id，class_id和Cluster，删除其他字段。在“元数据”标签页中将student_id和class_id的类型均改为Integer。

2.3.3 值映射（编号转含义）

拖拽“值映射”组件，连接到字段选择。双击值映射：

• 使用的字段名：Cluster

• 目标字段名：attendance_group

• 在下方面板插入三行映射：

  • 源值：C1 → 目标值：轻微波动型

  • 源值：C2 → 目标值：自律模范型

  • 源值：C3 → 目标值：纪律高危型
    点击“确认”。
    
    
    注:连线后选择主输出步骤

2.3.4 更新原表

拖拽“更新”组件，连接到值映射。双击更新组件：

• 数据库连接：团队私有数据库

• 目标模式：labs

• 目标表：student_attendance_stats（点击浏览选择）

• 用来查询的关键字：获取字段后保留student_id（确保匹配唯一学生）

• 更新字段：获取字段后删除student_id，将流字段Cluster对应表字段cluster，流字段attendance_group对应表字段attendance_group

运行该转换流，查看日志显示更新成功记录数等于学生总数。

2.3.5 验证结果

在数据集成平台中，右键“团队私有数据库” → “加载元数据”，然后展开labs下的student_attendance_stats表，点击“数据探查”，执行查询。可以看到cluster和attendance_group字段已正确填充。

---

三、实验结果

3.1 输出文件

• 聚类结果表：student_cluster，包含student_id、Cluster及轮廓系数。

• 扩展后的考勤主题标签表：student_attendance_stats，新增cluster和attendance_group字段。

3.2 可视化仪表盘

仪表盘展示了6组两两指标散点图，清晰呈现三个聚类簇在不同维度上的分离情况。例如：

• 迟到与早退图中，C3（黄色）明显分布在右上角高值区域，C1（蓝色）集中在左下角。

• 请假与校服违规图中，C2（青色）在请假轴上有少量中等值，C1始终极低。

3.3 结果验证

随机抽查若干学生：

• 学生A（cluster=C1，attendance_group=自律模范型）：late_count=0，early_leave_count=0，leave_count=0，uniform_violate_count=0 → 符合定义。

• 学生B（cluster=C2，attendance_group=轻微波动型）：late_count=1，uniform_violate_count=1 → 偶发轻微违规。

• 学生C（cluster=C3，attendance_group=纪律高危型）：late_count=12，early_leave_count=3，uniform_violate_count=5 → 多维度高频违纪。

验证无误，聚类结果具有业务可解释性。

---

四、问题与解决

问题1：数据库加载后字段类型不匹配

• 问题现象：在AI Studio中加载数据后，查看输出发现late_count等数值字段被识别为文本类型，导致后续K-Means无法运行。

• 问题原因：数据库表中该字段虽为整数，但平台自动识别元数据时受空值或默认值影响，误判为字符串。

• 解决方法：在数据库加载组件的字段配置界面，手动将late_count、early_leave_count、leave_count、uniform_violate_count的属性类型改为numeric。重新运行后正常。

问题2：BI中散点图只显示了部分数据

• 问题现象：在助睿BI制作散点图时，图上只有少数点，未显示所有学生。

• 问题原因：探索器默认数据限额为2000条，而学生总数超过2000（实验数据约3000人），超出部分未加载。

• 解决方法：在图表设置中，将“数据限额”从2000改为“100%”，然后刷新图表，所有数据点正常显示。

问题3：更新组件执行后原表无变化

• 问题现象：ETL中运行“更新”组件成功，但查询student_attendance_stats发现新增字段仍为空。

• 问题原因：更新组件中“用来查询的关键字”只选了student_id，但流中student_id类型为String，而表中student_id为Integer，类型不匹配导致无法匹配记录。

• 解决方法：在“字段选择”组件的元数据页签，将student_id的类型强制设为Integer。重新运行更新，数据成功写入。

---

五、实验总结

5.1 收获

通过本次实验，我完整掌握了以下技能：

• 在助睿AI Studio中零代码完成K-Means聚类建模，包括数据加载、参数配置、结果保存。

• 使用助睿BI进行多维度散点图分析，通过颜色映射和交互探索，为聚类结果赋予实际业务含义。

• 利用数据集成平台（ETL） 的字段选择、值映射、更新等组件，将机器学习结果回写至原始业务表，形成闭环的数据加工流程。

5.2 对平台的评价

助睿数智（Uniplore）平台真正实现了“零代码数据智能”。从ETL到AI建模再到BI可视化，所有操作均可通过拖拽和配置完成，无需编写代码，大幅降低了数据分析的门槛。平台各模块之间无缝衔接（例如AI Studio的输出可直接被BI和ETL使用），非常适合高校教学和企业快速原型开发。本次实验流程顺畅，帮助文档和社区支持也比较完善。唯一的小建议是BI的默认限额可以自动适应数据量，减少手动调整的步骤。