学生用户画像 - 考勤主题扩展标签构建& 考勤画像可视化分析 实验报告 考勤主题扩展标签构建

话题标签：# 助睿数智 #学生用户画像 #K-Means 聚类 #考勤数据标签

一、实验基本信息

1. 实验名称：学生用户画像 - 考勤主题扩展标签构建

2. 实验平台：助睿数智（Uniplore）在线实验平台

3. 实验时间：2026年5月18日

4. 实验参考文档：助睿实验指导 - 学生用户画像 - 考勤主题扩展标签构建

二、实验目的

1. 基于学生考勤主题标签表student_attendance_stats，使用K-Means 聚类算法完成学生考勤行为自动分群。

2. 以迟到、早退、请假、校服违规次数为核心指标，识别不同考勤行为群体，生成可解释的学生考勤画像。

3. 将聚类结果转化为业务标签，回写至原始考勤表，完成考勤主题扩展标签构建，为校园精细化管理提供数据支撑。

三、实验环境

1. 平台工具：助睿数智在线实验平台（AI Studio 人工智能平台、助睿 ETL 数据集成平台、助睿 BI 可视化平台）

2. 数据库：MySQL

3. 前置数据：学生考勤主题标签表student_attendance_stats

4. 核心功能：零代码机器学习建模、数据 ETL 处理、数据可视化分析、数据入库更新

四、实验数据

4.1 数据来源

实验使用上一实验输出的学生考勤主题标签表，包含学生基础信息与考勤次数统计数据。

4.2 核心字段

4.3 建模思路

1. 特征选择：仅保留迟到、早退、请假、校服违规4 个独立考勤指标，避免冗余。

2. 算法适配：指标为非负连续数值，直接适配 K-Means 算法，无需额外数据转换。

3. 辅助字段：学生性别、年级、住校状态等仅用于后续画像解释，不参与建模。

五、实验原理

1. K-Means 聚类算法：无监督机器学习算法，将数据划分为 K 个簇，使簇内数据相似度高、簇间相似度低，本次固定 K=3。

2. 零代码建模流程：数据加载→特征筛选→模型训练→结果输出→可视化解读→标签回写。

3. 标签扩展逻辑：将机器聚类编号（C1/C2/C3）映射为业务标签，新增字段并更新至原始考勤表。

六、实验步骤

6.1 AI Studio 平台完成 K-Means 聚类建模

1. 新建工作流：进入 AI Studio，创建考勤聚类分析工作流。

1. 数据导入：拖拽「数据库加载」控件，连接 MySQL 数据库，加载student_attendance_stats表，仅保留建模核心字段。

1. 聚类配置：拖拽「K-Means」组件，设置簇数量为3，其余参数默认，运行模型生成聚类结果。

1. 结果保存：拖拽「数据入库」组件，将聚类结果保存至新表student_cluster。

6.2 助睿 BI 平台完成聚类群体分类解读

1. 连接数据源：在 BI 平台新建 MySQL 连接，关联student_cluster数据表。

1. 构建数据集：创建聚类分析数据集，配置字段中文备注并发布。

1. 制作可视化工作表：通过散点图两两分析 4 个考勤指标，区分 C1/C2/C3 簇的行为特征。

1. 群体命名：结合分布特征，将簇映射为自律模范型、轻微波动型、纪律高危型。

6.3 数据集成平台完成扩展标签回写

1. 新增字段：通过 SQL 脚本为student_attendance_stats新增cluster（聚类编号）、attendance_group（考勤群体）字段。

-- 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';

1. 数据获取：读取student_cluster表，筛选student_id和Cluster字段。

表输入：

1. 值映射：将 C1/C2/C3 映射为对应业务标签。

字段选择：

1. 数据更新：通过「更新」组件，将聚类标签回写至原始考勤表，完成扩展标签构建。

更新：

七、实验结果

1. 聚类分群结果

1. 表格

聚类簇编号

群体名称

核心行为特征

C1

自律模范型

全维度异常次数极低，出勤稳定

C2

轻微波动型

迟到早退少，偶发校服违规 / 请假

C3

纪律高危型

多维度违纪叠加，高频异常行为

1. 数据表更新结果：student_attendance_stats表成功新增cluster和attendance_group字段，所有学生均完成标签匹配。

1. 可视化结果：通过 BI 仪表盘清晰呈现三类群体的考勤行为分布差异。

八、实验分析

1. 聚类有效性：4 个核心指标业务独立，聚类结果可解释性强，符合校园考勤管理实际场景。

2. 群体特征价值：精准区分不同纪律表现学生，为分层管理、重点干预提供数据依据。

3. 标签扩展意义：将机器聚类结果转化为业务可读标签，实现数据到管理决策的落地。

九、实验总结

1. 本次实验通过零代码 K-Means 聚类完成学生考勤行为分群，成功构建考勤主题扩展标签。

2. 实现了从数据建模、可视化解读到标签回写的全流程操作，输出可直接用于校园管理的学生考勤画像。

3. 验证了助睿数智平台在教育场景数据挖掘、用户画像构建中的实用性与便捷性。

考勤画像可视化分析

十、实验目的（第二部分：学生考勤画像可视化分析）

1. 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，聚焦纪律高危型群体开展专项行为特征分析。

2. 通过助睿 BI 可视化平台完成多维度图表制作，明确高危群体在性别、年级、校区、班级的分布规律。

3. 挖掘考勤违纪核心特征与高发场景，为校园精准干预、重点整治、精细化考勤管理提供直观数据支撑与决策依据。

十一、实验环境

1. 平台工具：助睿数智（Uniplore）在线实验平台、助睿 BI 数据可视化探索平台

2. 数据库：MySQL

3. 核心数据源：已完成标签扩展的学生考勤主题标签表student_attendance_stats

4. 核心功能：数据集构建、指标卡制作、多类型图表可视化、综合仪表盘搭建与分享

十二、实验数据

12.1 数据来源

沿用第一部分实验已完成聚类标签回写的student_attendance_stats数据表，包含学生基础信息、考勤统计数据、聚类簇编号与考勤群体分类全维度数据。

12.2 核心分析字段

十三、实验步骤

13.1 进入助睿 BI 平台

点击实验平台左侧菜单「助睿 BI」

进入可视化探索平台，复用第一部分实验已配置的 MySQL 数据库连接，无需重复新建数据源。

13.2 构建学生考勤主题数据集

1. 点击左侧「数据集」→「+」→「新建数据集」，命名为学生考勤主题数据集，所属分组选择根目录。

1. 数据源选择已创建的「商业数据分析实验」，关联student_attendance_stats数据表。

1. 确认字段中文备注完整，点击「保存并发布」，生成可用于可视化分析的正式数据集。

13.3 新建分析分组与工作表

1. 点击「工作表」→「新建分组」，命名为学生考勤画像分析，统一管理可视化图表。

1. 在分组内按需新建工作表，用于制作指标卡、饼图、柱状图、水平条图等可视化内容。

13.4 核心可视化图表制作

13.4.1 整体概况指标卡

1. 新建工作表，图表类型选择「指标卡」。

1. 拖拽student_id至值区域，聚合方式设置为去重计数。

1. 过滤器添加attendance_group，筛选「纪律高危型」，按需添加性别筛选条件。

1. 分别制作纪律高危型总人数、男生人数、女生人数、未知性别人数指标卡，并完成样式优化。

13.4.2 性别特征分析饼图

1. 新建工作表，图表类型选择「饼图」。

1. 分类拖拽gender，值拖拽student_id（去重计数）。

1. 过滤器排除性别「未知」，并筛选纪律高危型群体，制作高危群体性别占比饼图。

1. 同方法制作全校学生性别占比饼图，用于基数对比校验。

13.4.3 年级与校区交叉特征分析

1. 新建工作表，图表类型选择「柱状图」，X 轴grade、Y 轴student_id（去重计数），筛选高危群体，生成年级分布柱状图。

1. 拖拽campus_type至分组区域，生成校区 + 年级堆叠柱状图，展示新老校区高危人数差异。

1. 制作全校各年级校区人数柱状图，排除学生基数干扰，验证分布真实性。

13.4.4 班级特征水平条图

1. 新建工作表，图表类型选择「水平条图」，Y 轴class_name、X 轴student_id（去重计数）。

1. 筛选纪律高危型群体，按人数降序排序，定位高危学生集中的重点班级。

13.5 搭建综合可视化仪表盘

1. 点击「仪表盘」→「新建仪表盘」，命名为纪律高危型学生用户画像分析。

1. 拖拽文本组件设置标题，将所有工作表图表按逻辑布局至画布。

1. 添加分析结论文本组件，完善仪表盘内容，点击「保存并发布」。

1. 支持预览、分享仪表盘，实现可视化结果快速传递与查看。

来自undefined分享的资源

访问地址：http://47.109.153.89/#/share/dashboard/2058462493633810432

十四、实验结果

14.1 纪律高危型整体规模

• 纪律高危型学生总人数：195 人

• 男生：13 人，女生：11 人，性别未知：171 人

14.2 性别分布特征

• 全校性别占比：男生 53.03%，女生 46.97%

• 高危群体性别占比：男生 54.17%，女生 45.83%

• 男生在高危群体中占比高于全校基数，为违纪高发群体。

14.3 年级与校区分布特征

1. 年级特征：高三年级高危人数最多，高一、高二年级相对较少。

2. 校区特征：老校区为高危核心区域，高三老校区高危人数达 261 人；新校区高危人数极少，高三无高危学生。

14.4 班级分布特征

纪律高危型学生呈高度班级聚集性，高三 09 班高危人数最多（19 人），其次为高三 05 班、高三 19 班。

14.5 可视化成果

完成纪律高危型学生综合仪表盘搭建，直观展示人数、性别、年级、校区、班级全维度特征，可直接用于校园管理决策。

十五、实验分析

1. 性别差异：男生规则意识、时间观念相对薄弱，考勤违纪风险显著高于女生，需针对性开展纪律与时间管理教育。

2. 年级规律：高年级学业压力大、自主管理空间更广，对考勤纪律重视度下降，高三为考勤管控核心年级。

3. 校区差异：老校区在通勤条件、管理模式、学风氛围上存在短板，高危人数远高于新校区，需优化老校区管控措施。

4. 班级聚集：高危学生集中于少数管理薄弱、班风涣散的班级，与班级管理强度、同伴效应直接相关，需重点整顿薄弱班级。

十六、实验总结

1. 完成纪律高危型学生全维度可视化分析，清晰揭示群体分布规律与行为特征。

2. 依托助睿 BI 实现指标卡、饼图、柱状图、水平条图、综合仪表盘全场景可视化，数据展示直观、易懂、可落地。

3. 构建从聚类标签到可视化分析的完整闭环，输出的结果可直接用于校园考勤精细化管理、精准干预与重点整治。

4. 验证了助睿 BI 平台在教育场景数据可视化、用户画像深度分析中的实用性与便捷性。