1 实验目的

本实验基于全班同学在多平台发布的作品互动数据，使用助睿ETL完成数据清洗与预处理，输出两张核心数据表，为后续特征工程与可视化分析奠定基础。

通过本实验，学生应掌握：

• 理解数据清洗在数据分析流程中的基础性与必要性
• 使用助睿ETL完成多源数据的过滤、填充、聚合等预处理操作
• 掌握“分支处理”的设计思路：全平台概况统计与重点平台深度分析分流
• 输出两张规范数据表，支撑仪表盘不同模块的数据需求

2 实验环境

• 实验平台：助睿在线实验平台 https://lab.guilian.cn/

本次实验使用助睿数智（Uniplore） 作为一站式数据科学平台。该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，适用于数据分析教学与企业数据加工场景。

助睿数智官网为 https://www.uniplore.com//

• 数据处理工具：助睿ETL（数据集成平台）

助睿ETL核心优势：

• 全元数据驱动架构：平台内所有对象类型均通过元数据标准化定义，覆盖数据读取、处理、写入的全流程
• 零代码拖拽式操作：通过可视化方式完成数据的抽取（Extract）、转换（Transform）、加载（Load），无需编写复杂代码
• 丰富的预处理组件：内置筛选、填充、聚合、连接、字段选择等多种转换节点，灵活应对各类数据清洗场景
• Pipeline（转换）机制：面向数据流通处理的核心功能单元，由多个不同功能的Transform步骤组合构成，聚焦数据本身的加工转换操作
• 开源内核高可用引擎：基于开源内核的高可用引擎架构，通过标准化插件体系可灵活扩展引擎能力

3 核心设计思路

3.1 为什么需要数据清洗？

采集到的原始数据往往不能直接用于分析，需要先做清洗。

观察 自媒体作品数据明细.csv 这份数据，可以发现几个问题：

• 平台冗余：数据包含了B站、CSDN、微信、知乎、小红书等多个平台，但微信、知乎等平台的浏览数量几乎全是0。这些平台虽然有作品记录，但缺乏核心的浏览数据，无法支撑有意义的分析。
• 无效记录：部分作品的浏览数量、点赞数量、收藏数量全部为0。这些记录可能是采集失败，也可能是作品确实无人问津，但无论如何，它们对分析没有贡献。
• 字段缺失：点赞、收藏、分享等字段中存在空值，如果不处理，后续计算会报错。

数据清洗要做的，就是把这些问题逐一解决。

3.2 数据处理流程

本次实验有一个特殊之处：后续可视化仪表盘需要同时展示两类信息。

第一类是“全平台概况”——全班总共发了多少内容？覆盖了几个平台？总浏览和总互动是多少？这些数字需要基于所有平台的原始数据来统计，哪怕浏览数为0也要计入作品数。

第二类是“重点平台深度分析”——B站和CSDN的具体表现如何？播放量、阅读量、互动率是多少？这些分析只需要B站和CSDN的有效数据（浏览数大于0的记录）。

两类信息对数据的要求不同，所以在ETL中需要做分支处理：

两张表各司其职：summary_all_platforms 只用于仪表盘顶部的全平台概况指标卡；cleaned_details 作为中间结果，交给下一实验继续加工。

4 实验步骤

步骤1：创建目标表

在助睿ETL中创建两张目标表。

第一张是全平台概况表（summary_all_platforms），用于存放所有平台的汇总数据。字段设计如下：

字段	类型	说明
crawl_date	DATE	采集日期
platform	VARCHAR(20)	平台名称
content_count	INT	作品数量
total_views	INT	总浏览数
total_likes	INT	总点赞数
total_favorites	INT	总收藏数
total_shares	INT	总分享数
total_coins	INT	总投币数（仅B站）
total_recommend	INT	总推荐数（仅微信）
total_likes_zhihu	INT	总喜欢数（仅知乎）
total_approvals	INT	总赞同数（仅知乎）

新建转换流

拖入执行一个sql脚本组件

选择数据源，插入建表语句

DROP TABLE IF EXISTS summary_all_platforms;
CREATE TABLE IF NOT EXISTS summary_all_platforms (
    id INT AUTO_INCREMENT PRIMARY KEY COMMENT '自增主键ID',
    crawl_date DATE NOT NULL COMMENT '采集日期',
    platform VARCHAR(20) NOT NULL COMMENT '平台名称',
    content_count INT COMMENT '作品数量',
    total_views INT COMMENT '总浏览数',
    total_likes INT COMMENT '总点赞数',
    total_favorites INT COMMENT '总收藏数',
    total_shares INT COMMENT '总分享数',
    total_coins INT COMMENT '总投币数（仅B站）',
    total_recommend INT COMMENT '总推荐数（仅微信）',
    total_likes_zhihu INT COMMENT '总喜欢数（仅知乎）',
    total_approvals INT COMMENT '总赞同数（仅知乎）'
) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = '全平台概况汇总表';

执行并查看日志

这张表不做任何过滤，保留所有平台的原始数据。各平台特色指标（B站的投币、微信的推荐、知乎的喜欢/赞同）单独保留列，不合并到通用指标中。因为B站的投币和知乎的赞同含义不同，加在一起反而说不清楚，让它们各自独立，读者能清晰地看到每个平台有哪些互动行为。

第二张是内容分析表（content_analysis），作为实验二的输入。字段与原始数据基本一致，但只包含B站和CSDN的有效记录：

字段	类型	说明
date	DATE	采集日期
author_name	VARCHAR(100)	作者昵称
title	VARCHAR(500)	作品标题
platform	VARCHAR(20)	B站 / CSDN
likes	INT	点赞数
favorites	INT	收藏数
shares	INT	分享数
coins	INT	投币数（仅B站）
views	INT	播放量/阅读量
url	VARCHAR(500)	作品链接
total_interaction	INT	互动总数
has_best	TINYINT(1)	是否含“保姆级”
has_lowcode	TINYINT(1)	是否含“零代码”
has_practice	TINYINT(1)	是否含“实战”
has_tutorial	TINYINT(1)	是否含“教程/指南”
has_pit	TINYINT(1)	是否含“踩坑”

其中 interaction_rate, has_best, has_lowcode, has_practice, has_tutorial, has_pit 字段的数据加工将在下一个实验中完成。

新建转换流：

同样拖入执行一个sql脚本组件

连接数据源，插入sql语句：

DROP TABLE IF EXISTS content_analysis;
CREATE TABLE IF NOT EXISTS content_analysis (
    id INT AUTO_INCREMENT PRIMARY KEY COMMENT '自增主键ID',
    date DATE NOT NULL COMMENT '采集日期',
    author_name VARCHAR(100) COMMENT '作者昵称',
    title VARCHAR(500) NOT NULL COMMENT '作品标题',
    platform VARCHAR(20) NOT NULL COMMENT 'B站 / CSDN',
    likes INT COMMENT '点赞数',
    favorites INT COMMENT '收藏数',
    shares INT COMMENT '分享数',
    coins INT COMMENT '投币数（仅B站）',
    views INT COMMENT '播放量/阅读量',
    url VARCHAR(500) COMMENT '作品链接',
    total_interaction INT COMMENT '互动总数',
    has_best TINYINT(1) COMMENT '是否含“保姆级” 0否1是',
    has_lowcode TINYINT(1) COMMENT '是否含“零代码” 0否1是',
    has_practice TINYINT(1) COMMENT '是否含“实战” 0否1是',
    has_tutorial TINYINT(1) COMMENT '是否含“教程/指南” 0否1是',
    has_pit TINYINT(1) COMMENT '是否含“踩坑” 0否1是'
) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = '内容分析明细表（实验二输入，仅B站、CSDN有效数据）';

执行转换流并查看日志：

步骤2：导入原始数据

将已提供在助睿ETL公共空间的 自媒体作品数据明细.csv 导入到自己的文件库中，作为数据源输入。助睿ETL支持多种数据源接入，CSV文件可直接导入。

本次分析使用的数据来源于助睿ETL公共空间的 自媒体作品数据明细.csv，已采集了同学们在6月8日-6月15日前提交的作品互动数据。需要说明的是，该数据集仅覆盖采集时间节点前已发布且未被删除的作品，之后新提交或已删除的作品不在此次分析范围内。导入前请先将该文件从公共空间复制到自己的文件库中。

步骤3：全平台聚合统计

在数据清洗之前，先做一个分支。拖入“排序记录”、“分组”组件，按 日期 和 平台 排序、分组，其余数值字段全部取求和。输出 summary_all_platforms

新建转换流：

拖入csv文件输入

配置如下：

拖入排序记录组件：

获取字段，并保留需要分组的字段：

拖入分组组件：

获取字段后，保留需要进行分组的字段

删除作者名字、url、source_file、title字段后其余字段全部求和：

拖入表输出组件：

选择目标表：

勾选：

编辑

获取字段：

步骤4：过滤记录

在另一个分支中，使用“过滤记录”组件筛选B站和CSDN的有效记录：

只保留 B站 和 CSDN 两个平台，原始数据包含B站、CSDN、微信、知乎、小红书等多个平台。由于微信、知乎等平台的浏览数量大量缺失（值为0），无法支撑有意义的分析，因此只保留 B站 和 CSDN 的记录。

（2）删除两个平台中浏览量为0的记录，聚焦于真正产生用户互动的作品。

使用助睿ETL的“过滤记录”组件，通过 AND 与 OR 组合条件：

(平台 = 'B站' AND 浏览数量 > 0 ) OR (平台 = 'CSDN' AND 浏览数量 > 0) 

在“过滤记录”组件中对应的配置如图：

逻辑说明：括号内的条件组合确保“平台”与“有效记录判定”同时满足，一个组件完成双重过滤。助睿ETL的过滤记录组件支持编写复杂条件表达式，可通过 AND、OR 灵活组合多条件，一步到位完成精细化数据筛选。

步骤5：填充缺失值

由于数值字段没有空值，但作者名称和作品标题可能存在空值，我们统一填充为位置，避免后续使用时出现异常。

步骤6：字段选择

原始数据中的 source_file是采集批次标记，分析阶段用不到，剔除掉。投币数量（coins）保留，作为B站特有的互动指标。用“字段选择”组件，只保留以下字段，其他字段全部剔除：

date, author_name, title, platform, likes, favorites, shares, coins, views, url

步骤7：输出清洗后中间表

将处理后的数据输出为 cleaned_details，这张表是实验7-2的输入。

步骤8：执行转换流

完整转换流如下，点击运行

数据探查结果：

5 核心知识点总结

• 多条件过滤：使用 AND/OR 组合平台过滤与有效记录判定，一个组件完成双重过滤
• 缺失值处理：统一填充默认值，避免计算异常
• 多日期保留：保留时间维度用于趋势分析，暂不做去重
• 助睿ETL Pipeline：通过多个Transform步骤组合完成完整的数据加工流程
  wWI3-1782204942129)]

[外链图片转存中…(img-Jd1SAiBt-1782204942130)]

5 核心知识点总结

本实验基于清洗后的内容数据，构建了一套完整的特征工程ETL管道。核心任务分为两层：在明细层，通过计算器与JavaScript脚本提取了互动总指标及5个标题关键词特征，并利用“插入/更新”机制无损回填至content_analysis表；在汇总层，设计了多分支并行计算流程，分别统计了整体均值与关键词均值，最终合并输出至title_feature_analysis表，为后续量化分析标题策略的效果奠定了数据基石。