一、实验说明

1.1 实验目的

本实验基于前期 K-Means 聚类完成并标注了考勤群体分类的学生考勤主题标签表，专门针对纪律高危型学生群体开展深度可视化分析。该群体具有高频违纪、多维度异常行为叠加的显著特征，是校园考勤管理中风险等级最高、负面影响最大的群体。通过构建多维度可视化分析体系，全面拆解该群体的性别、年级、校区、班级分布特征，精准定位高危行为高发区域与重点人群，为校园管理部门制定针对性干预策略、开展重点整治提供量化数据支撑，推动校园考勤管理从粗放式向精细化转型。

1.2 实验环境

本次实验在助睿在线实验平台（https://lab.guilian.cn/）上完成，核心依托Uniplore（助睿数智）AI 驱动的一站式零代码大数据智能服务平台开展可视化分析工作。该平台集成了数据接入、数据处理、机器学习建模与可视化展示全链路功能，无需编写代码即可快速完成复杂数据分析任务，广泛应用于高校数据分析教学与企业数字化转型实践，官方网站为https://www.uniplore.com/。

实验使用的核心工具与资源：

• 助睿 BI 数据可视化探索平台：负责各类图表制作、多维度分析与综合仪表盘搭建

• MySQL 8.0 数据库：存储学生考勤主题标签表及中间分析结果

• 数据源：前期实验生成的student_attendance_stats学生考勤主题标签表（已包含聚类结果字段）

• 实验设备：可正常访问助睿平台的计算机，具备团队私有数据库连接权限

二、转换流整体设计

本次实验采用 “数据准备 - 多维度分析 - 综合展示” 的三层架构设计，通过零代码可视化操作完成全流程分析：

1. 数据准备层

复用前期已建立的团队私有数据库连接，基于student_attendance_stats表构建标准化分析数据集，完成字段校验与发布，为后续可视化分析提供统一、规范的数据基础。

2. 多维度分析层

从整体概况、性别、年级、校区、班级五个核心维度构建分析体系，分别制作指标卡、饼图、柱状图、水平条图等多种类型的可视化图表，全面呈现纪律高危型学生群体的分布特征与行为规律。

3. 综合展示层

将所有分析图表整合至统一的综合仪表盘，添加文字说明与结论解读，形成完整的分析报告可视化载体，支持一键分享与在线查看。

三、数据与标签梳理

3.1 数据来源

本次实验使用的数据集为前期 “学生考勤行为聚类分析” 实验的最终输出结果student_attendance_stats。该表整合了学生基础信息、每日考勤记录、请假申请等多源数据，经过清洗、去重、按学生粒度聚合统计以及 K-Means 聚类标注等处理，数据质量高、字段完整，可直接用于可视化分析。

3.2 数据结构

student_attendance_stats表共包含 18 个字段，涵盖学生基础属性、考勤统计指标与聚类标签三类信息，具体结构如下：

字段名	数据类型	字段含义
id	INT	自增主键
student_id	INT	学生唯一标识
student_name	VARCHAR(50)	学生姓名
class_id	INT	班级唯一标识
class_name	VARCHAR(50)	班级名称
grade	VARCHAR(10)	所在年级
gender	VARCHAR(10)	性别
birth_date	VARCHAR(10)	出生日期
political_status	VARCHAR(20)	政治面貌
is_boarder	VARCHAR(10)	是否住校
campus_type	VARCHAR(10)	所属校区
late_count	INT	统计周期内迟到次数
early_leave_count	INT	统计周期内早退次数
leave_count	INT	统计周期内请假次数
uniform_violate_count	INT	统计周期内校服违规次数
create_time	DATETIME	数据统计入库时间
cluster	VARCHAR(10)	聚类簇编号
attendance_group	VARCHAR(30)	考勤群体分类

3.3 样例数据

以下为student_attendance_stats表中纪律高危型学生的部分样例数据：

id

student_id

student_name

class_id

class_name

grade

gender

is_boarder

campus_type

late_count

early_leave_count

leave_count

uniform_violate_count

cluster

attendance_group

1

10842

马某某

672

高三 (09)

高三

未知

否

老校区

1

0

3

0

C3

纪律高危型

2

10844

叶某某

672

高三 (09)

高三

未知

否

老校区

0

0

5

0

C3

纪律高危型

3

10845

孙某某

672

高三 (09)

高三

未知

否

老校区

3

0

0

0

C3

纪律高危型

四、实验步骤

4.1 进入助睿 BI 平台

1. 登录助睿在线实验平台，在左侧导航栏点击 “助睿 BI” 选项，进入助睿 BI 可视化探索平台。

1. 进入平台首页后，可查看当前账户下的数据源列表、已创建的数据集与工作表、平台支持的数据源类型等基础信息。

4.2 连接数据源

由于前期 “聚类簇编号对应的考勤群体分类” 实验中已成功创建团队私有 MySQL 数据库的连接，本次实验可直接复用该数据源，无需重新配置连接信息。

4.3 构建分析数据集

1. 在左侧导航栏点击 “数据集” 选项，进入数据集管理页面。

1. 点击左上角 “+” 按钮，选择 “新建数据集”，在弹出的窗口中输入数据集名称 “学生考勤主题数据集”，选择所属分组并填写备注信息，点击 “确认” 完成创建。

1. 进入数据集配置页面，关闭平台弹出的强提醒窗口。

1. 在数据源选择区域，第一个下拉框选择已创建的 “商业数据分析实验数据集” 数据源，第二个下拉框选择student_attendance_stats表所在的目录。

1. 将左侧列表中的student_attendance_stats表拖拽至画布中央，系统自动加载表结构与数据。

1. 由于前期建表时已为所有字段添加了中文备注，无需再次配置，直接点击画布左上角 “保存” 按钮，在弹出的保存提示中点击 “保存并发布”，只有发布后的数据集才能被工作表引用。

4.4 制作多维度分析工作表

工作表是助睿 BI 平台中承载可视化图表、开展数据分析的核心单元。本次实验将从五个维度制作多个工作表，全面分析纪律高危型学生群体的特征。

4.4.1 整体概况指标卡制作

指标卡用于直观展示核心统计数值，帮助快速把握高危群体的整体规模。

4.4.1.1纪律高危型总人数指标卡

1. 在左侧导航栏点击 “工作表” 选项，进入工作表管理页面。

1. 点击左上角 “+” 按钮，选择 “新建分组”，输入分组名称 “学生考勤画像分析”，点击 “确认” 完成创建。

1. 右键点击 “学生考勤画像分析” 分组，选择 “新建工作表”，输入工作表名称 “纪律高危型总人数”，点击 “确认”。

1. 进入工作表设计页面，关闭平台弹出的提示窗口。

1. 在数据集下拉框中选择已发布的 “学生考勤主题数据集”。

1. 在左侧基础图表列表中点击 “指标卡”。

1. 将字段 “student_id（学生 ID）” 拖拽至 “行” 区域，点击该字段右侧的下拉箭头，将聚合类型修改为 “去重计数”。

1. 点击图形设置图标打开设置面板，在 “过滤器” 区域点击 “+”，选择 “attendance_group（考勤群体分类）” 字段，点击 “确认”。

1. 点击过滤器中 “attendance_group” 右侧的 “・・・” 按钮，选择 “编辑”，在配置窗口中选择 “包含以下选项”，勾选 “纪律高危型”，点击 “确认”。

1. 此时指标卡将显示纪律高危型学生的总人数。

1. 点击 “样式设置”，对指标卡进行美化：

• 基础设置：将四个边距均调整为最大值 16

• 标题设置：字体大小设为 16，字体颜色设为红色，显示位置设为顶部居中

• 值设置：字体大小设为 30，字体颜色设为红色，保持粗体开关打开，显示位置设为水平居中

1. 点击 “保存” 按钮，选择 “保存并发布” 工作表。

4.4.1.2分性别人数指标卡

参考上述步骤，分别创建以下三个指标卡：

• 纪律高危型男生人数：在过滤器中额外添加 “gender（性别）” 字段，设置为包含 “男”

• 纪律高危型女生人数：在过滤器中额外添加 “gender（性别）” 字段，设置为包含 “女”

• 高危型未知性别人数：在过滤器中额外添加 “gender（性别）” 字段，设置为包含 “未知”

所有指标卡均采用与总人数指标卡相同的样式设置，保持视觉风格统一。

4.4.1.3整体指标分析

从上述指标卡可以看出，本次统计范围内纪律高危型学生总人数为 195人，其中男生 13 人、女生 11人、未知性别 171人。排除性别未知数据后，男生人数多于女生，表明高危群体存在一定的性别分布特征，需进一步深入分析。

4.4.2 性别特征分析

通过制作饼图对比纪律高危型群体与全校学生的性别分布，排除基数差异的影响，分析高危行为的性别倾向。

4.4.2.1纪律高危型学生性别占比饼图

1. 新建工作表 “纪律高危型学生男女人数占比”，选择 “学生考勤主题数据集”，图表类型选择 “饼图”。

1. 将 “student_id” 拖拽至 “值” 区域，聚合类型设为 “去重计数”；将 “gender” 拖拽至 “分类” 区域。

1. 点击图形设置，添加 “gender” 过滤器，选择 “排除以下选项”，勾选 “未知”，点击 “确认”。

1. 再次添加 “attendance_group” 过滤器，选择 “包含以下选项”，勾选 “纪律高危型”，点击 “确认”。

1. 点击 “样式设置”→“图表元素设置”，勾选 “百分比” 标签显示；将内环大小设为 50%，扇形圆角半径设为 10；调整主题色使其更醒目。

1. 保存并发布工作表。

4.4.2.2全校学生性别占比饼图

新建工作表 “全校学生男女人数占比”，参考上述步骤制作饼图，仅添加 “gender” 过滤器排除未知数据，不筛选考勤群体分类。

4.4.2.3性别特征分析结论

排除性别未知数据后：

• 全校学生中男生占比 56%，女生占比44%，男生基数略高于女生

• 纪律高危型学生中男生占比 54.17%，女生占比 45.83%

• 对比可知，男生在高危群体中的占比高于其全校基数占比，女生则相反，说明男生发生考勤违纪行为的风险确实更高，与男生规则意识、时间观念相对薄弱的特点相符。

4.4.3 年级特征分析

通过柱状图展示纪律高危型学生在不同年级的分布情况，分析年级与违纪风险的关联。

1. 新建工作表 “纪律高危型学生年级特征分析”，选择 “学生考勤主题数据集”，图表类型选择 “柱状图”。

1. 将 “grade” 拖拽至 X 轴，将 “student_id” 拖拽至 Y 轴，聚合类型设为 “去重计数”。

1. 添加 “attendance_group” 过滤器，设置为包含 “纪律高危型”。

1. 调整图表样式，统一主题色，取消边框显示。

1. 保存并发布工作表。

1. 分析结论：纪律高危型学生人数随年级升高呈明显增长趋势，高三年级人数最多，高一、高二年级相对较少。这与高三学生面临更大升学压力、自主时间更多、心态更为浮躁等因素密切相关。

4.4.4 校区与年级交叉特征分析

通过堆叠柱状图展示不同校区、不同年级高危学生的分布情况，精准定位高危行为高发区域。

1. 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 “学生考勤主题数据集”，图表类型选择 “柱状图”。

1. 参考年级特征分析步骤，完成基础柱状图制作。

 

1. 将 “campus_type” 字段拖拽至 “分组” 区域，生成堆叠柱状。

1. 统一主题色与样式，保存并发布工作表。

1. 为排除基数影响，新建工作表 “不同校区类型各年级学生人数”，制作全校学生校区 - 年级分布堆叠柱状图（不添加任何过滤器）。

1. 交叉分析结论：

• 老校区是高危学生的主要聚集地，各年级高危人数均显著高于新校区

• 高三年级学生全部集中在老校区，且高危人数达到 1883人，是绝对的高发区

• 新校区学生基数小，且无高三学生，整体考勤风险较低

4.4.5 班级特征分析

通过水平条图展示纪律高危型学生在各个班级的分布情况，定位管理薄弱班级。

1. 新建工作表 “纪律高危型学生班级特征分析”，选择 “学生考勤主题数据集”，图表类型选择 “水平条图”。

1. 将 “class_name” 拖拽至 Y 轴，将 “student_id” 拖拽至 X 轴，聚合类型设为 “去重计数”。

1. 添加 “attendance_group” 过滤器，设置为包含 “纪律高危型”。

1. 点击 X 轴字段 “student_id” 右侧的下拉箭头，选择 “降序” 排序，使高危人数多的班级排在上方。

1. 统一主题色与样式，保存并发布工作表。

1. 分析结论：纪律高危型学生呈现明显的班级聚集性，少数班级集中了大量高危学生，其中高三 09 班人数最多（19人）。这表明班级管理强度、班风氛围与同伴效应对学生考勤行为具有重要影响。

4.5 搭建综合分析仪表盘

将所有分析图表整合至统一仪表盘，形成完整的可视化分析报告。

1. 在左侧导航栏点击 “仪表盘” 选项，进入仪表盘管理页面。

1. 点击左上角 “+” 按钮，选择 “新建仪表盘”，输入名称 “纪律高危型学生用户画像分析”，点击 “确认”。

1. 在右侧组件面板中点击 “基础组件”，拖拽一个 “文本” 组件至画布顶部，输入标题 “纪律高危型学生用户画像分析”，设置字体为加粗、红色、24 号字并居中显示。

1. 切换至 “工作表” 标签，将 4.4 节中制作的所有工作表依次拖拽至画布，调整为合理的布局。

1. 再次拖拽 “文本” 组件至每个图表下方，输入对应的分析结论与解读文字，关闭 “超出隐藏” 开关以实现自动换行。

1. 调整所有组件的大小与位置，使仪表盘整体美观、逻辑清晰。点击右上角 “发布” 按钮，保存并发布仪表盘。

1. 点击 “预览” 按钮可全屏查看仪表盘效果；点击 “分享” 按钮可生成分享链接，支持他人在线访问查看。

五、实验结果

1. 整体规模结果：本次实验共识别出纪律高危型学生 421 人，占全校学生总数的一定比例。该群体虽人数不多，但行为影响大，是校园考勤管理的重点对象。

1. 性别特征结果：男生在纪律高危型群体中的占比高于其全校基数占比，是高危行为的主要发生对象，性别差异显著。

1. 年级特征结果：高危学生人数随年级升高呈明显上升趋势，高三年级占比最高，升学压力与自主管理能力下降是主要原因。

1. 校区特征结果：老校区高危学生人数远高于新校区，且高三年级全部集中在老校区，是管理的核心区域。

1. 班级特征结果：高危学生高度集中在少数班级，呈现明显的聚集性，班级管理水平与班风建设是关键影响因素。

1. 可视化成果：成功制作了 10 个分析工作表和 1 个综合仪表盘，全面、直观地展示了纪律高危型学生群体的各项特征，形成了可分享、可展示的可视化分析报告。

六、问题与解决

1. 数据集发布后无法引用

• 现象：新建工作表时找不到已创建的数据集

• 原因：数据集未成功发布或发布过程中出现错误

• 解决：返回数据集管理页面，重新点击 “保存并发布”；若仍无法解决，删除原有数据集重新创建并发布

1. 图表数据显示不全

• 现象：柱状图、水平条图仅显示部分班级或年级数据

• 原因：平台默认数据限额为 2000 条，当数据量超过限额时会自动截断

• 解决：在工作表设计页面底部，将数据限额从 “2000” 修改为 “100%”

1. 过滤器配置错误导致数据为空

• 现象：配置过滤器后图表无数据显示

• 原因：过滤器条件设置错误（比如将 “包含” 设为 “排除”）或字段值拼写错误

• 解决：检查过滤器配置，确认条件与字段值正确；可先移除过滤器查看原始数据，再逐步添加条件

七、实验总结

本次实验基于助睿 BI 平台，以零代码方式完成了纪律高危型学生群体的多维度可视化分析，构建了完整的考勤画像分析体系。通过从整体概况、性别、年级、校区、班级五个维度深入挖掘数据，精准定位了高危行为的高发人群与重点区域，得出了一系列具有实际指导意义的结论，并形成了可分享的综合分析仪表盘。

通过本次实验，我熟练掌握了助睿 BI 平台的操作方法，包括数据集构建、各类图表制作、过滤器配置与仪表盘搭建等核心技能，深刻理解了数据可视化在用户画像构建与业务决策中的重要作用。同时也认识到，在数据分析过程中，不能仅看表面数据，还需要结合业务背景进行交叉分析，排除基数差异等干扰因素，才能得出客观、准确的结论。

本次实验也存在一些可以改进之处。一是未对数据中的异常值进行处理，可能对部分统计结果产生轻微影响；二是分析维度相对有限，未结合住校状态、政治面貌等属性进行更深入的挖掘。在后续的学习中，我将进一步完善分析方法，拓展分析维度，提升数据分析的深度与广度。