实验报告：学生用户画像 - 考勤画像可视化分析

1 实验说明

1.1 实验目的

学生用户画像 - 考勤画像可视化分析

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，本实验聚焦“纪律高危型”群体，分析其行为特征。相比其他群体，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。通过专项画像分析，可为精准干预和重点整治提供数据支撑，助力校园精细化管理。

1.2 实验环境

• 工具：助睿数智（Uniplore）在线实验平台（https://lab.guilun.cn/）。助睿数智是 AI 驱动的一站式数据科学平台，覆盖从数据接入、ETL 处理、机器学习建模到可视化展示的全链路零代码功能，产品官网为 https://www.uniplore.com/。本次实验主要用到助睿 BI（数据可视化探索平台）和 MySQL 数据库。

• 数据源：student_attendance_stats 学生考勤主题标签表

• 实验设备：计算机（支持助睿平台运行，具备数据库连接权限）

2 实验步骤

2.1 进入助睿 BI

进入实验平台后，点击左边菜单的“助睿 BI”，进入助睿 BI 可视化探索平台。进入首页后，可以查看该账户下的数据情况、数据分析处理流程以及支持的数据源类型。

2.2 连接数据源

student_attendance_stats 存放于团队私有数据库中，上一个实验在“分析聚类簇编号对应的考勤群体分类”时已创建团队私有数据库的连接，因此本实验直接使用该数据源，无需重复连接。

2.3 构建数据集

点击左边菜单中的“数据集”，点击左上角“+”选择“新建数据集”，输入数据集名称“学生考勤主题数据集”、设置所属分组和备注信息后确认。

数据集创建成功后，选择数据源“商业数据分析实验”，在 labs 目录下找到 student_attendance_stats 表，将其拖拽至画布中。查看表结构及数据后，点击“保存”并选择“保存并发布”。

2.4 制作工作表

点击左边菜单中的“工作表”，进入工作表模块。为方便管理，先点击左上角“+”选择“新建分组”，创建“学生考勤主题分析”分组。

2.4.1 整体概况指标卡

2.4.1.1 纪律高危型总人数

右键点击“学生考勤主题分析”分组，选择“新建工作表”，命名为“纪律高危型人数”。在数据集下拉框中选择“学生考勤主题数据集”，在基础图表中点击“指标卡”，将字段“student_id”拖拽到值，聚合方式设置为“去重计数”。

点击图形设置图标，在过滤器中添加“attendance_group”，设置为包含“纪律高危型”。指标卡显示纪律高危型人数为 421 人。

调整样式：设置边距为16，标题字体大小16、颜色红色、位置顶部居中，值字体大小30、颜色红色、粗体、水平居中。保存并发布。

2.4.1.2 纪律高危型男生人数

参考上述步骤新建工作表“纪律高危型男生人数”，在筛选器中添加“gender”字段并设置为包含“男”，得到男生人数 45 人。

2.4.1.3 纪律高危型女生人数

新建工作表“纪律高危型女生人数”，筛选器中添加“gender”并设置为包含“女”，得到女生人数 38 人。

2.4.1.4 纪律高危型未知性别人数

新建工作表“纪律高危型未知性别人数”，筛选器中添加“gender”并设置为包含“未知”，得到未知性别人数 338 人。

2.4.1.5 整体指标分析

从整体指标卡可以清晰看到，纪律高危型学生总人数为 421 人，其中男生 45 人、女生 38 人、未知性别 338 人。高危群体整体规模清晰，男生人数多于女生，说明高危群体存在明显的性别分布特点，需要从性别角度进一步深入分析。

2.4.2 纪律高危型学生性别特征分析

2.4.2.1 纪律高危型学生男女人数占比

新建工作表“纪律高危型学生男女人数占比”，选择饼图，将“student_id”拖拽到值（去重计数），“gender”拖拽到分类。过滤器中排除“未知”性别，并包含“纪律高危型”。样式设置中开启百分比标签，设置内环大小50%、扇形圆角半径10%。

结果显示：男生占比 54.22%，女生占比 45.78%。

2.4.2.2 全校学生男女人数占比

新建工作表“全校学生男女人数占比”，同样制作饼图，过滤器中只排除“未知”性别，不限制考勤群体分类。

结果显示：男生占比 53.03%，女生占比 46.97%。

2.4.2.3 性别特征分析

排除性别未知数据的情况下：

• 从全校性别分布来看，男生基数略高于女生，占比为 53.03%，女生占比为 46.97%

• 在纪律高危型学生群体中，男生占比进一步上升至 54.22%，女生占比下降至 45.78%

对比两组数据发现，纪律高危型学生中男生占比偏高，并非由全校性别基数差异导致，而是男生在考勤违纪行为上的真实风险更高。男生规则意识、时间观念相对薄弱，更易出现高频违纪行为，是高危群体的主要构成对象，后续管理需针对性加强男生考勤纪律引导。

2.4.3 纪律高危型学生年级特征分析

新建工作表“纪律高危型学生年级特征分析”，选择柱状图，将“grade”拖拽到X轴，“student_id”拖拽到Y轴（去重计数），过滤器中添加“attendance_group”包含“纪律高危型”。

分析结果显示，纪律高危型学生在各年级分布存在明显差异：高三年级高危学生人数最多，高一和高二年级相对较少。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课程安排调整有关。

2.4.4 纪律高危型学生校区类型 + 年级交叉特征分析

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”，选择柱状图，先完成年级分布，再将“campus_type”拖拽至“分组”形成堆叠柱状图。

分析结果显示：

• 老校区是高危学生的主要聚集地：高一80人、高二130人、高三261人

• 新校区高危学生规模较小：高一10人、高二19人，高三年级无高危学生

2.4.5 不同校区类型各年级学生人数

新建工作表“不同校区类型各年级学生人数”，制作堆叠柱状图，不添加任何过滤器：

• 高一：老校区1021人，新校区148人

• 高二：老校区1079人，新校区295人

• 高三：老校区1883人，新校区无学生分布

综合交叉分析：高三老校区是高危行为的绝对高发区，高危学生达261人；新校区整体风险可控。老校区尤其是高三年级，是纪律高危型学生的核心聚集区，后续管理需重点聚焦。

2.4.6 纪律高危型学生班级特征分析

新建工作表“纪律高危型学生班级特征分析”，选择水平条图，将“class_name”拖拽至Y轴，“student_id”拖拽至X轴（去重计数），过滤“attendance_group”为“纪律高危型”，按人数降序排序。

分析结果显示，纪律高危型学生高度集中在少数班级，其中高三09班高危人数最多（38人），其次为高三08班、高三02班等。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。

2.5 搭建综合仪表盘

点击左边菜单栏中的“仪表盘”，点击左上角“+”选择“新建仪表盘”，命名为“纪律高危型学生用户画像分析”。

操作步骤：

1. 拖拽文本组件作为标题，输入“纪律高危型学生用户画像分析”，设置字体颜色、大小、加粗、居中

2. 切换到“工作表”选项卡，将2.4节中制作的所有工作表拖拽至画布中

3. 使用鼠标调整图表大小和布局

4. 添加“文本”组件，将各维度分析结论呈现在仪表盘中

5. 设计完毕后点击“发布”保存并发布仪表盘

6. 点击“预览”全屏查看仪表盘效果

7. 点击“分享”选择分享方式，将链接分享给他人查看

3 纪律高危型学生画像分析总结

3.1 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

男生为高危群体主体，在高危群体中占比（54.22%）高于其在全校的基数占比（53.03%），而女生占比（45.78%）低于其在全校的基数占比（46.97%）。这表明男生在高危群体中的占比偏高并非由性别基数差异导致，而是男生在考勤违纪行为上的真实风险更高，与男生规则意识薄弱、时间观念不足密切相关。

（2）年级特征

纪律高危型学生高度集中于高年级，随年级升高，高危学生占比明显上升。高三年级高危人数最多，高一、高二相对较少。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

高危学生高度集中在老校区，新校区风险较低。高三老校区是高危行为的绝对高发区，高危学生达261人，是所有校区和年级中的最高值。这与校区通勤条件、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，如高三09班（38人）、高三08班、高三02班等。这与班级管理强度、同伴效应直接相关。

3.3 管理建议

（1）重点关注高年级男生群体

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。

---

注：以下为本次实验生成的纪律高危型学生用户画像分析仪表盘效果图。

仪表盘整体效果图（图1）

仪表盘整体效果图（图2）