标签：#助睿数智 #商业数据分析 #可视化分析 #学生管理

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，聚焦 “纪律高危型” 群体，利用可视化分析工具对其行为特征进行专项画像。具体目标包括：

• 掌握助睿BI平台的数据集构建、工作表制作、仪表盘搭建等零代码可视化分析流程；

• 从性别、年级、校区、班级等多个维度剖析纪律高危型学生的分布规律；

• 输出综合性画像仪表盘，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
  产品官网：https://www.uniplore.com/
  实验地址：https://lab.guilian.cn/

• 工具：助睿BI（数据可视化探索模块）、MySQL数据库

• 数据源：student_attendance_stats 学生考勤主题标签表（已包含聚类簇编号及考勤群体分类字段）

1.3 处理流程

整体分析逻辑如下：

1. 在助睿BI中基于已有数据库连接，新建数据集；

2. 分别制作指标卡、饼图、柱状图、水平条图等工作表，逐层剖析高危群体的特征；

3. 将所有图表整合至同一仪表盘，并添加分析结论文本；

4. 发布并分享仪表盘。

---

二、实验步骤

2.1 进入助睿BI并连接数据源

登录实验平台后，点击左侧菜单“助睿BI”进入可视化模块。由于上一个实验已创建团队私有数据库连接（名为“商业数据分析实验”），本次直接沿用该数据源，无需重复连接。

2.2 构建数据集

点击左侧“数据集” → “+” → “新建数据集”，填写名称“学生考勤主题数据集”，选择所属分组后确认。

在数据集配置页面，数据源第一项选择“商业数据分析实验”，第二项选择表所在目录，将 student_attendance_stats 拖拽至画布。

系统自动识别字段备注，直接点击“保存并发布”。

2.3 制作工作表

2.3.1 整体概况指标卡

纪律高危型总人数
新建工作表，选择“指标卡”，将 student_id 拖入“值”，聚合方式设为“去重计数”。
在过滤器添加 attendance_group，勾选“纪律高危型”。
样式设置：标题红色、字体16，值红色、字体30，边距16。保存发布。

分性别指标卡
分别复制上述工作表，新增性别过滤器：男生（gender包含“男”）、女生（包含“女”）、未知性别（包含“未知”）。
最终得到三个指标卡：男生45人，女生38人，未知338人。

2.3.2 性别特征分析

纪律高危型学生男女人数占比（饼图）
新建工作表，图表类型“饼图”，student_id（去重计数）作为值，gender 作为分类。
过滤器排除“未知”，并限定 attendance_group = “纪律高危型”。
样式开启标签显示“百分比”，内环大小50%，扇形圆角半径10。
结果：男生54.22%，女生45.78%。

全校学生男女人数占比（饼图）
同样制作全校饼图，仅排除性别“未知”，不限制考勤群体。
结果：男生53.03%，女生46.97%。

(仅此处与上述不同)

结论：高危群体中男生占比（54.22%）高于全校男生基数（53.03%），女生则低于全校基数，说明男生违纪真实风险更高。

2.3.3 年级特征分析

新建工作表，图表类型“柱状图”，X轴 grade，Y轴 student_id（去重计数），过滤器限定 attendance_group = “纪律高危型”，基础设置中主题一致。

结果显示：高一、高二、高三高危人数依次增加，高三达261人，为最高峰。

2.3.4 校区+年级交叉特征分析

新建柱状图，X轴 grade，Y轴 student_id（去重计数），分组添加 campus_type，过滤器、样式设置同上述。

得到堆叠柱状图：老校区各年级高危人数（高一80、高二130、高三261）远高于新校区（高一10、高二19，高三0）。

2.3.5 全校校区+年级人数（基数对比）

新建工作表，不添加任何过滤器，同样用 grade 为X轴，campus_type 为分组，student_id 去重计数，样式设置一致。

结果显示：老校区高一1021人、高二1079人、高三1883人；新校区高一148人、高二295人、高三无学生。
结合高危分布可知：高三老校区是高危行为的绝对高发区。

2.3.6 班级特征分析

新建工作表，图表类型“水平条图”，Y轴 class_name，X轴 student_id（去重计数），过滤器限定纪律高危型。

将X轴按降序排序，展示高危学生最多的班级。

结果：高三09班（38人）、高三08班、高三02班等少数班级高度集中。

2.4 搭建综合仪表盘

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”。
拖入“文本”组件作为标题，设置字体、居中。

再从“工作表”区域将上述制作的指标卡、饼图、柱状图、水平条图等全部拖入画布，调整布局。
添加多个文本组件，将4.1~4.3的分析结论逐条写入（关闭“超出隐藏”实现换行）。

最终效果如预期截图所示，点击“发布”并可选“分享”生成链接。

---

三、实验结果

通过上述步骤，我成功构建了纪律高危型学生画像仪表盘，核心发现如下：

维度	关键结论
整体规模	总人数421人，其中男生45人、女生38人、未知性别338人。
性别特征	高危群体中男生占比（54.22%）高于全校男生占比（53.03%），女生占比（45.78%）低于全校女生占比（46.97%），说明男生违纪风险更高。
年级特征	高危人数随年级升高递增，高三（261人）远高于高一、高二。
校区特征	老校区各年级高危人数均远高于新校区，且高三老校区为绝对高发区（261人）。全校基数分析排除基数干扰，确认老校区违纪发生率更高。
班级特征	高度集中于少数班级（如高三09班38人），呈现明显班级聚集性。

仪表盘已发布，分享链接示例：
http://47.109.153.89/#/share/dashboard/2055584400292319232
（实际链接以平台生成为准）

---

四、问题与解决

问题1：饼图中性别“未知”数据干扰占比计算

• 现象：制作高危学生性别占比饼图时，默认包含了大量“未知”性别，导致男生/女生占比无法正确反映有效性别分布。

• 原因：数据表中部分学生性别字段为“未知”，未加过滤会错误计入分类。

• 解决方法：在图表过滤器中添加 gender 字段，选择“排除以下选项”并勾选“未知”。重新生成后，仅显示已知性别的男女生比例。

问题2：水平条图中班级显示杂乱，无法快速定位高危班级

• 现象：默认按班级名称排序，高危学生人数多的班级散落在图表各处，不易观察。

• 原因：未对度量值进行排序。

• 解决方法：在图表设置中，将 student_id（去重计数）的排序设为“降序”。此时图表按高危人数从高到低排列，前几名班级一目了然。

问题3：仪表盘中文本组件无法换行

• 现象：拖入文本组件后，输入多段分析结论，发现内容被截断或只能一行显示。

• 原因：文本组件默认开启了“超出隐藏”选项。

• 解决方法：在文本组件的样式设置中，关闭“超出隐藏”开关，并适当拖大组件高度，即可正常换行显示长文本。

---

五、实验总结

5.1 收获

通过本次实验，我完整实践了从数据集构建到仪表盘发布的零代码可视化分析流程。掌握了助睿BI中多种图表（指标卡、饼图、柱状图、水平条图、分组柱状图）的配置方法，学会了利用过滤器进行数据切片、利用排序突出关键信息。更重要的是，我理解了如何结合业务背景（学生考勤管理）进行多维度交叉验证（如引入全校基数对比，排除基数干扰），使分析结论更科学可靠。

5.2 对平台的评价

助睿数智（Uniplore）作为一站式数据科学平台，其BI模块操作直观、组件丰富，即使没有编程基础也能快速上手完成专业级可视化分析。平台提供了从数据接入、ETL、建模到可视化的全链路零代码能力，非常适合高校教学、企业快速数据分析等场景。本次实验中，数据源连接、数据集发布、工作表与仪表盘的联动都非常顺畅，分享功能也极大方便了团队协作。

5.3 管理建议（实验延伸）

基于画像结果，建议学校：

1. 重点关注高年级男生群体，开展时间管理与纪律教育；

2. 针对老校区优化通勤管理、加强考勤监督；

3. 对高危学生集中的班级实施班主任责任制整治；

4. 建立高危学生“一对一”档案，家校联动干预。

以上内容已整合至仪表盘，作为最终交付物。