实验一：自媒体运营分析-数据清洗与预处理

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 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。

• 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）

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。

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。

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

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：输出目标表

将处理后的数据输出为 content_analysis，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
• 宽表设计：一次清洗、多次使用，一张表支撑全部后续分析

实验二：自媒体运营分析-作品特征构建

1 实验目的

在实验7-1 清洗后的数据的基础上，使用助睿ETL完成以下两类特征的计算与存储：

（1）标题特征与互动总数（更新明细表）

• 计算互动总数（total_interaction = likes + favorites + shares + coins）
• 提取5个标题特征标志字段（has_best、has_lowcode、has_practice、has_tutorial、has_pit）
• 将计算结果更新到 content_analysis 表

（2）关键词级别的汇总数据

• 分别计算含每个关键词的作品的平均互动总数
• 将互动汇总结果输出到 title_feature_analysis 表

通过本实验，学生应掌握：

• 理解特征工程在数据分析中的核心作用
• 使用助睿ETL的“计算器”组件计算衍生指标
• 使用“JavaScript代码”组件完成文本关键词的自动标注
• 使用“插入/更新”组件回填数据，不新建表、不覆盖已有基础数据
• 使用“过滤+聚合”组件组合完成分组统计计算

2 实验环境

本次实验使用的核心组件：

组件	用途
表输入	读取 content_analysis 表中待处理的数据
计算器	计算互动总数（likes + favorites + shares + coins）
JavaScript代码	提取标题中的5个关键词特征标志
插入/更新	按 id 匹配，更新 content_analysis 表中的特征字段
过滤记录 + 聚合	分别统计整体平均值和每个关键词的平均值
增加常量	为每个关键词分支添加名称标识
合并记录	将5个关键词的统计结果合并为5行
表输出	将互动数据汇总写入 title_feature_analysis 表

3 核心设计思路

本次实验构建两类特征，并将数据更新到实验7-1 的content_analysis 表中：

• 互动总数：likes + favorites + shares + coins，反映作品的用户互动规模（绝对值）
• 标题特征：把标题中是否包含特定关键词提取为0/1标志字段，后续量化对比这些词的实际效果

数据处理流程：

4 实验步骤

4.1 更新 content_analysis 表（标题特征+互动总数）

步骤1：导入数据

将实验7-1输出的 content_analysis表作为输入，拖入助睿ETL工作区。助睿ETL支持跨项目引用数据集，可直接选择实验一输出的结果表。

步骤2：提取标题特征（核心分析维度）

在"JavaScript代码"组件中，可以直接使用JJavaScript代码对 title 字段进行关键词匹配，生成5个标题特征标志字段。

var title = title;  // 字段名直接作为变量使用// 判断关键词var has_best = title.indexOf("保姆级") !== -1 ? 1 : 0;
var has_lowcode = title.indexOf("零代码") !== -1 ? 1 : 0;
var has_practice = title.indexOf("实战") !== -1 ? 1 : 0;
var has_tutorial = (title.indexOf("教程") !== -1 || title.indexOf("指南") !== -1) ? 1 : 0;
var has_pit = title.indexOf("踩坑") !== -1 ? 1 : 0;

// 将结果赋值给新字段（输出字段需在字段表中提前定义）
has_best = has_best;
has_lowcode = has_lowcode;
has_practice = has_practice;
has_tutorial = has_tutorial;
has_pit = has_pit;

返回值说明：

字段	返回值	条件
has_best	1 / 0	title中含"保姆级"为1，否则为0
has_lowcode	1 / 0	title中含"零代码"为1，否则为0
has_practice	1 / 0	title中含"实战"为1，否则为0
has_tutorial	1 / 0	title中含"教程"或"指南"为1，否则为0
has_pit	1 / 0	title中含"踩坑"为1，否则为0

设计思路：这五个关键词在数据中高频出现，且与“教学价值”“实操性”强相关，是分析标题影响力的理想切入点。每个特征独立提取，便于在BI中做分组对比。

步骤3：计算互动总数

接入“计算器”组件，新增 interactions 字段：interactions = likes + favorites + shares + coins

步骤4：数据更新

使用“插入/更新”组件，将计算好的特征数据回填到 content_analysis 表

关键配置：

配置项	设置
目标表	content_analysis
查询关键字	id（匹配依据）
更新字段	total_interaction, has_best, has_lowcode, has_practice, has_tutorial, has_pit

字段映射：：

流字段	表字段
id	id
interactions	total_interaction
has_best	has_best
has_lowcode	has_lowcode
has_practice	has_practice
has_tutorial	has_tutorial
has_pit	has_pit

“插入/更新” vs “表输出”的区别：如果使用“表输出”，每次运行都会新增行，导致数据重复。“插入/更新”按 id 匹配，如果 id 已存在则更新指定字段，如果不存在才插入新行（本例中 id 一定存在，所以只做更新，不新增行）。这样本实验可以反复运行，不会产生重复数据。

步骤5：执行转换流

完整转换流如下，点击运行

4.2 输出关键词级别的汇总表

步骤1：创建目标表

在助睿ETL中创建以下目标表用来存储本节最后输出的数据：

字段	类型	说明
id	INT	自增主键
platform	VARCHAR(20)	平台（B站/CSDN）
feature_name	VARCHAR(50)	关键词名称
avg_interaction	DECIMAL(10,2)	含该关键词的平均互动总数
overall_avg	DECIMAL(10,2)	该平台整体平均互动总数
sample_count	INT	含该关键词的作品数

步骤2：计算整体平均互动数

接入“排序记录”、“分组”组件，按id升序排序，不设分组条件，直接计算 AVG(total_interaction)，得到 overall_avg。

聚合完成后，接入“增加常量”组件，新增字段 feature_name = '保姆级'，为这一行数据贴上名称标签，以便用于后续与关键词数据连接。

步骤3：计算关键词的平均互动数

以“保姆级”为例，表输入组件复制分发另一条分支，先接“过滤记录”组件，设置 has_best = 1，只保留含“保姆级”的作品。

然后接入“排序记录”、“分组”组件，按id升序排序，计算 AVG(total_interaction) 得到 avg_interaction，COUNT(id) 得到 sample_count。

聚合完成后，接入“增加常量”组件，新增字段 feature_name = '保姆级'，为这一行数据贴上名称标签。

为什么要加这个常量？因为聚合后的数据只有数值，没有关键词名称。如果不加，5个分支的数据合并后无法区分谁是谁。常量就是给每一行贴上一个“标签”，告诉下游“这一行是保姆级的数据”。

步骤4：合并整体平均值和关键词平均值

接下来将整体平均值和关键词平均值进行合并，使用“记录集连接”组件，匹配字段为feature_name，由于2个分支都只有1行数据，所以无需排序。

步骤5：数据入库

用”表输出”组件将合并后的数据入库，这里需要注意：不勾选“裁剪表”，因为还有其他关键词数据也要入库，不用删除已有数据。

步骤6：执行转换流

一个关键词的互动汇总数据加工转换流如下，点击运行：

查看数据：

接下来加工其他关键词的数据：
复制粘贴整个分支，然后只修改两处：过滤条件（如 has_lowcode = 1）和常量值（如 零代码）。其他组件配置完全相同。

最后的完整数据情况如下：

5 实验输出

输出表	数据粒度	用途
content_analysis（更新）	作品级	排名、趋势、概况等明细分析
title_feature_analysis（新建）	关键词级	标题特征互动分析

实验三：自媒体运营分析-可视化探索

1 实验目的

基于实验7-1、实验7-2 输出的目标表，使用助睿BI完成多维度可视化分析，搭建综合仪表盘，并撰写数据驱动的运营优化报告。

通过本实验，学生应掌握：

• 使用助睿BI的聚合功能（计数、求和、平均、分组）快速制作图表
• 成内容概况、学生表现排名、标题影响分析、平台对比、趋势分析等维度的可视化分析
• 掌握“从图表到洞察”的分析方法，从数据中提炼业务结论

2 实验环境

• 实验平台：助睿在线实验平台
• 可视化工具：助睿BI（可视化探索平台）

3 核心设计思路

3.1 数据特点与分析框架

在开始制作图表之前，需要先理解本次数据的特点，这直接决定了我们应该分析什么、不分析什么。

本次数据有以下几个特点：

• 内容同质化：全班发布的作品主题高度一致（本学期的实验作业）
• 平台固定：发布作品的平台固定，但数据较完整的是B站（视频）+ CSDN（图文）
• 作品数量相近：每位学生发布的作品数量基本一致
• 标题存在差异：虽然内容相同，但标题写法存在差异（如“保姆级”“零代码”“手把手”等关键词的使用）

这意味着内容、平台、数量都是控制变量，标题是主要差异来源。因此，分析应聚焦于：在相同条件下，哪些运营策略差异导致了数据差异？

基于以上特点，分析以下5个维度：

维度	分析目标	核心问题
核心指标	了解数据整体情况	整体表现如何？
排名分析	对比学生间、作品间差异	同样的内容，谁的数据更好？
标题影响	量化标题特征对数据的影响	为什么做得好？
趋势分析	时间维度规律	数据随时间怎么变化？

3.2 仪表盘布局思路

采用“先总后分、左右对照”的布局：

• 顶部指标卡分两行：第一行展示全平台概况，第二行聚焦B站和CSDN
• 之后分为左右两栏：左栏展示B站所有分析图表，右栏展示CSDN所有分析图表
• 每栏内部按“排名→标题分析→趋势”的顺序排列，形成完整闭环

3.3 从图表到洞察

每个图表都应回答一个具体的业务问题。阅读仪表盘时，读者应自然地经历：建立整体认知（指标卡）→ 发现问题（排名）→ 定位原因（标题分析）→ 观察规律（趋势）的思考路径。

以下是常见图表类型的解读方法：

（1）排名类图表

怎么看：关注头部（前3名）和尾部（后3名）。头部代表优秀实践，尾部代表常见问题

洞察方向：

• 头部：他们的内容有什么共同点？
• 尾部：他们遇到了什么问题？

（2）对比类图表

怎么看：关注两组数据的差距大小

洞察方向：

• 差距大 → 因素影响显著，值得深入分析
• 差距小 → 因素影响有限，不必过度关注

（3）分布类图表

怎么看：关注数据集中在哪个区间，是否有异常点

洞察方向：

• 大多数数据集中在低值区间 → 整体水平偏低
• 存在离群点 → 该点值得单独分析

（4）趋势类图表

怎么看：关注曲线的走向（上升/下降/平稳）和拐点

洞察方向：

• 持续上升 → 有积累效应
• 先升后平 → 存在天花板
• 波动较大 → 可能受随机因素影响

（5）散点图（双变量分析）

怎么看：关注点的分布模式和异常点。

洞察方向：

• 正相关：两个指标同步变化
• 无相关：两个指标相互独立
• 负相关：一个上升另一个下降
• 异常点：脱离整体模式，值得单独分析

掌握了这些解读方法，就能从每个图表中提炼出有业务价值的洞察。

4 实验步骤

步骤1：连接数据源

从助睿实验平台进入助睿BI平台，团队私有数据库的数据源已在之前的实验中连接好了，本次实验无需连接。

步骤2：构建数据集

使用实验7-1、7-2输出的summary_all_platforms、 content_analysis 、title_feature_analysis3张表构建3个数据集。

步骤3：制作工作表

（1）制作核心指标卡-一眼看清整体情况

指标卡的作用是把最关键的几个数字突出显示，让读者在几秒钟内建立起对数据的整体认知。本次实验共6张指标卡：

第一行4张展示全平台概况：

• 全平台作品总数（一共发布了多少作品）
• 分发平台数（数据来自几个平台）
• 全平台总浏览数（所有平台加一起的总流量）
• 全平台总互动数（所有平台加一起的总互动数量）

第二行5

张聚焦重点平台：

• B站作品数、CSDN作品数（两个平台各有多少内容）
• B站总播放量、CSDN总阅读量（各自的总流量）

这6张指标卡形成了一条清晰的阅读路径：先看到总量，再看分平台量，最后看质量

图表	数据集	配置方法	解读要点
全平台作品数（指标卡）	全平台概况数据集	所有平台的作品数量求和	全班共采集了多少有效内容
分发平台数（指标卡）	全平台概况数据集	不同平台去重计数	数据涉及几个平台
全平台总浏览数（指标卡）	全平台概况数据集	所有平台的浏览数量求和	全平台总流量基线
全平台总互动数（指标卡）	全平台概况数据集	所有平台的互动数量求和 （使用计算字段）	全平台作品质量
B站作品数（指标卡）	全平台概况数据集	平台=B站 的记录计数	B站内容体量
CSDN作品数（指标卡）	全平台概况数据集	平台=CSDN 的记录计数	CSDN内容体量
B站总播放量（指标卡）	全平台概况数据集	平台=B站 的浏览数量求和	B站总流量
CSDN总阅读量（指标卡）	全平台概况数据集	平台=CSDN 的浏览数量求和	CSDN总流量

（2）制作排名图表-找出标杆和爆款

排名图表分两组：学生排名和作品排名。

学生排名解决的是“谁做得好”的问题：按作者分组，取该学生在某个平台上所有作品的平均播放量（或阅读量），降序排序后取前10名。这个排名反映的是一个人的整体运营水平。

作品排名解决的是“什么内容做得好”的问题：直接按单篇作品的播放量（或阅读量）排序，取前10名。这个排名揭示的是单篇爆款的特征。

两者结合使用：先看学生排名找到表现好的同学，再看他具体做了哪些内容，这样就能总结出可复制的经验。左右两栏分别展示B站和CSDN的排名，可以对比同一个学生在两个平台的表现差异。

图表	数据集	配置方法	解读要点
B站学生平均播放量排名TOP10	重点平台深度分析数据集	筛选平台=B站，维度=作者名称，指标=平均值(浏览数量)，降序排序，限额10	找出B站整体运营水平最高的学生
B站作品播放量排名TOP10	重点平台深度分析数据集	筛选平台=B站，维度=作品名称，指标=浏览数量，降序排序，限额10	找出B站单篇爆款内容
CSDN学生平均阅读量排名TOP10	重点平台深度分析数据集	筛选平台=CSDN，维度=作者名称，指标=平均值(浏览数量)，降序排序，限额10	找出CSDN整体运营水平最高的学生
CSDN作品阅读量排名TOP10	重点平台深度分析数据集	筛选平台=CSDN，维度=作品名称，指标=浏览数量，降序排序，限额10	找出CSDN单篇爆款内容

（3）制作标题影响分析图表-量化关键词的效果

标题影响分析是本实验最有价值的部分。在内容相同的情况下，标题是导致数据差异的核心因素之一，其业务价值——用数据回答“什么样的标题更好”，直接指导未来的内容创作，让标题写作从“凭感觉”升级为“数据驱动”。

制作方法是：分别计算含有某个关键词（如“保姆级”）的作品的平均播放量，再除以整体的平均播放量，得到“提升倍率”。比如提升倍率1.4表示含这个词的作品平均播放量比整体平均高出40%。用条形图展示所有关键词的提升倍率，哪个柱子最长，哪个词最有效。

此外还可以做更直接的对比：含“保姆级”vs不含“保姆级”两组作品的柱状对比，一眼就能看出差异。左右两栏分别做B站和CSDN的标题分析，因为同一个关键词在两个平台的效果可能不同。

图表	数据集	配置方法	解读要点
B站标题特征提升倍率条形图	标题关键词互动数据集	筛选平台=B站，分别计算含某关键词的平均播放量 ÷ 整体平均播放量	找出B站最有效的标题关键词
B站标题特征对比柱状图	标题关键词互动数据集	筛选平台=B站，查看各特征标题平均互动数据，并设置整体平均互动数据水平线	每个关键词的平均互动是多少
CSDN标题特征提升倍率条形图	标题关键词互动数据集	筛选平台=CSDN，分别计算含某关键词的平均阅读量 ÷ 整体平均阅读量	找出CSDN最有效的标题关键词
CSDN标题特征对比柱状图	标题关键词互动数据集	筛选平台=CSDN，查看各特征标题平均互动数据，并设置整体平均互动数据水平线	每个关键词的平均互动是多少

（4）制作 趋势分析 图表-观察时间变化规律

趋势分析回答的是“数据随时间如何变化”。这里的“日期”是采集日期而非发布时间，同一作品在6月8日、9日、10日都会被采集到，播放量逐日累加，所以趋势折线图展示的是截止到每个采集日所有已发布作品的总播放量/阅读量。

如果需要进一步观察老作品的持续传播力，可以加一张“老作品趋势图”——先筛选出6月8日已存在的作品，只统计它们在后续日期的播放量变化。整体趋势看大盘走势（受新作品不断加入的影响），老作品趋势看内容本身的长尾效应（排除了新作品的干扰）。两张图互补使用，可以帮助判断班级整体的流量增长是靠新作品驱动，还是老内容也在持续产生价值。

图表	数据源	配置方法	解读要点
B站每日播放量趋势折线图	重点平台深度分析数据集	筛选平台=B站，维度=日期，指标=求和(浏览数量)	B站累积流量变化趋势
CSDN每日阅读量趋势折线图	重点平台深度分析数据集	筛选平台=CSDN，维度=日期，指标=求和(浏览数量)	CSDN累积流量变化趋势

步骤4：搭建综合仪表盘

仪表盘的布局逻辑——核心指标置顶（一目了然），概况类图表靠前（先建立整体认知），深度分析靠后。参考布局：

步骤5：输出报告分析

从仪表盘导出关键图表，撰写分析报告。报告要讲清楚三个层次：

• 现状是怎样的（数据描述）
• 为什么会这样（原因分析）
• 应该怎么做（优化建议）

每个结论都要配上对应的图表作为证据

5 核心知识点总结

• 指标卡的设计：核心KPI突出展示，让读者几秒内建立整体认知
• 学生排名+作品排名：一个找“谁做得好”，一个找“什么内容好”，互为补充
• 标题影响力量化：通过提升倍率计算，识别最有效的标题关键词
• 趋势分析：利用多日期数据观察累积变化，区分整体趋势与老作品持续价值

6 预期成果

完成本实验后，学生应获得：

• 一套完整的可视化仪表盘
• 每个图表对应的业务洞察
• 一份《自媒体运营分析与优化策略报告》，包含3-5条数据驱动的优化建议

问题与解决

问题一：分组聚合时字段类型转换错误

问题描述：

在执行数据清洗的“分组”聚合操作时，管道反复报错 HopValueException，提示无法将字符串字段转换为数值类型。错误依次指向 author_name、title、url 等文本字段，核心原因是“分组”步骤的“聚合”列表中错误地配置了文本字段（如作者名、标题），并对其执行了 SUM 等数值聚合操作。

解决方法：

检查并修正“分组”步骤的配置。核心原则是：文本字段只用于“分组”，数值字段才用于“聚合”。将 author_name 等维度字段移至“分组字段”列表；在“聚合”列表中仅保留 views、likes、comments 等数值字段，并为其设置正确的聚合类型（如 SUM、AVG）。修正后，分组步骤成功输出35条按作者聚合的汇总记录。

问题二：表输出步骤字段映射不匹配

问题描述：

分组步骤成功执行后，“表输出”步骤报错 Unknown column 'xxx' in 'field list'，错误依次指向 author_name、like_count、love_count 等字段。原因是分组操作改变了输出字段列表，但目标数据库表结构与“表输出”步骤中配置的字段映射不一致，导致写入失败。

解决方法：

采用“先核对、后统一”的策略。首先，通过预览功能确认分组步骤的实际输出字段；然后，核对目标数据库表的现有列结构；最后，在“表输出”步骤的“数据库字段”选项卡中，只保留数据库表中实际存在且需要写入的字段映射，删除所有不匹配或不需要的字段。通过精确匹配字段列表，确保数据能正常写入目标表。

实验总结

本次实验完成了从数据清洗、特征构建到可视化分析的全链路实践。通过分支处理实现全平台概况与重点平台的差异化分析，验证了零代码ETL工具在数据处理中的高效性。核心结论是：标题关键词对互动数据有显著提升效果，其中“保姆级”“零代码”等词汇效果最为突出。实验让我深刻理解到，数据分析的价值不在于制作图表，而在于提炼可落地的优化策略，实现真正的数据驱动决策。