一、实验目标

在实验7-1完成数据清洗的基础上，继续利用助睿ETL平台实施两类关键特征的提取计算与持久化存储：

（一）标题文本特征与互动总量（回填明细表）

• 计算每篇作品的互动总数（total_interaction），公式为：likes + favorites + shares + coins
• 从标题文本中提取五个关键词特征标识字段：has_best（保姆级）、has_lowcode（零代码）、has_practice（实战）、has_tutorial（教程/指南）、has_pit（踩坑）
• 将上述计算结果更新回content_analysis明细表中

（二）关键词粒度的汇总统计（新建汇总表）

• 分别统计包含各关键词的作品的平均互动总量
• 将汇总计算结果输出至title_feature_analysis表中

完成本实验后，学生应具备以下能力：

• 深入理解特征工程在数据分析全流程中的核心价值与作用机理
• 熟练使用助睿ETL"计算器"组件完成衍生指标的公式计算
• 掌握借助"JavaScript代码"组件实现对文本字段中关键词的自动化识别与标注
• 理解"插入/更新"组件的数据回填机制：在不创建新表、不覆盖已有基础数据的前提下更新指定字段
• 灵活运用"过滤记录 + 分组聚合"组件组合完成分组条件下的统计指标计算

二、实验环境

实验平台：助睿在线实验平台（https://lab.guilan.cn）

本实验继续基于助睿数智（Uniplore）一站式数据科学平台开展。该平台提供从数据接入、ETL加工处理、机器学习建模到可视化展示的完整工具链，以零代码操作模式降低了数据分析的技术门槛，广泛适用于高校数据分析教学与企业数据加工场景。

数据处理工具：助睿ETL

本实验涉及的核心功能组件及其用途如下表所示：

组件名称	功能用途说明
表输入	读取content_analysis表中待处理的源数据
计算器	计算互动总量（likes + favorites + shares + coins）
JavaScript代码	对标题字段执行关键词匹配，生成5个0/1特征标记
插入/更新	依据id字段进行匹配，将特征计算结果回写至content_analysis表
过滤记录 + 分组聚合	分别统计整体均值以及各关键词对应的平均互动量
增加常量	为各个关键词分支附加名称标签字段
合并记录	把5个关键词的统计结果纵向拼接为统一的数据集
表输出	将互动汇总数据写入title_feature_analysis目标表中

三、整体设计思路

本实验围绕两类特征进行构建，并将结果数据更新回实验7-1产出的content_analysis表中：

第一类：互动总量。计算公式为likes + favorites + shares + coins，该指标从绝对值角度衡量单篇作品的用户互动总体规模，反映作品的综合受欢迎程度。

第二类：标题特征标签。通过编程方式检测每篇作品标题中是否出现特定关键词，将检测结果转化为0（不存在）/1（存在）的布尔标志字段，为后续量化分析这些关键词的实际引流效果提供数据基础。

整体数据处理流程如下图所示：

四、实验操作步骤

4.1 更新content_analysis表（标题特征标注+互动总量计算）

步骤1：导入源数据

将实验7-1产出的content_analysis表作为数据输入源，拖放至助睿ETL工作区中。助睿ETL具备跨项目数据集引用能力，可直接选取上一实验输出的结果表。

步骤2：提取标题文本特征（核心分析维度）

在"JavaScript代码"组件中，通过编写JavaScript脚本对title字段执行关键词匹配检测，生成五个标题特征标志字段。

核心JavaScript代码如下：

var title = title;  // 字段名可直接作为变量进行引用

// 逐一检测各关键词是否出现
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;

// 将检测结果赋值给输出字段（输出字段需在字段表中提前声明）
has_best = has_best;
has_lowcode = has_lowcode;
has_practice = has_practice;
has_tutorial = has_tutorial;
has_pit = has_pit;

各特征字段的返回值说明如下表：

字段名	返回值	判定条件说明
has_best	1或0	标题文本中含"保姆级"关键词时为1，否则为0
has_lowcode	1或0	标题文本中含"零代码"关键词时为1，否则为0
has_practice	1或0	标题文本中含"实战"关键词时为1，否则为0
has_tutorial	1或0	标题文本中含"教程"或"指南"任一关键词时为1，否则为0
has_pit	1或0	标题文本中含"踩坑"关键词时为1，否则为0

设计考量：上述五个关键词在本次数据集中出现频率较高，且均与内容的"教学指导价值"和"实操属性"存在强关联，因此成为探究标题文本对互动数据影响力大小的理想分析切入点。每个特征独立提取，便于在后续BI可视化环节中按关键词分组进行横向对比分析。

步骤3：计算互动总量

接入"计算器"组件，新建interactions字段，计算公式设置为：interactions = likes + favorites + shares + coins

步骤4：数据更新回填

使用"插入/更新"组件，将上一步计算得到的特征数据按记录ID进行匹配，回填至content_analysis表中。

关键配置参数如下表：

配置项	设置值
目标表	content_analysis
查询关键字（匹配字段）	id（以此字段作为匹配依据）
待更新字段列表	total_interaction, has_best, has_lowcode, has_practice, has_tutorial, has_pit

字段映射关系如下表所示：

数据流字段名	目标表字段名
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

补充说明："插入/更新"组件与"表输出"组件存在本质区别。若采用"表输出"方式，每次运行都会在目标表中追加新的数据行，容易造成数据重复冗余。"插入/更新"组件则按照id字段进行智能匹配——若id已存在则仅更新指定的字段值，若id不存在才执行新增操作。由于本实验中所有id均已存在于content_analysis表中，因此实际效果为纯更新操作，不会产生重复行。这一机制确保了本实验流程具备可重复执行性，多次运行也不会引入数据重复问题。

步骤5：运行转换流

完整转换流配置如下图所示，确认无误后点击运行按钮执行。数据处理结果展示：

4.2 构建关键词粒度汇总数据表

步骤1：创建目标数据表

在助睿ETL中按以下结构创建title_feature_analysis目标表，用于存储关键词粒度的汇总统计结果：

字段名称	数据类型	字段含义说明
id	INT	自增主键，用于唯一标识每条记录
platform	VARCHAR(20)	平台名称（B站/CSDN）
feature_name	VARCHAR(50)	关键词名称标签
avg_interaction	DECIMAL(10,2)	附带该关键词的作品的平均互动总量
overall_avg	DECIMAL(10,2)	该平台内全部作品的整体平均互动总量
sample_count	INT	附带该关键词的作品样本数量

步骤2：计算平台整体平均互动量

依次接入"排序记录"组件和"分组"组件，按id字段升序排列，不设置分组维度，直接计算AVG(total_interaction)聚合值，得到overall_avg（整体均值）。

聚合计算完成后，接入"增加常量"组件，添加feature_name字段并赋值为"保姆级"，为当前这一行统计数据贴上对应的名称标签，便于后续与各关键词分支数据进行合并关联。

步骤3：计算各关键词对应的平均互动量

以"保姆级"关键词为例，操作流程如下：

首先，从表输入组件引出另一条并行分支，接入"过滤记录"组件，设置过滤条件 has_best = 1，仅保留标题中含有"保姆级"关键词的作品记录。

接着，依次接入"排序记录"和"分组"组件，按id升序排列后，分别计算AVG(total_interaction)得到avg_interaction（关键词平均互动量），以及COUNT(id)得到sample_count（样本数量）。

聚合完成后，接入"增加常量"组件，添加feature_name字段并赋值为"保姆级"，为这一行数据打上名称标签。

为何需要设置常量字段？原因在于：聚合运算得到的数据仅包含数值，缺少关键词名称这一关键信息维度。若不加常量标识，五个关键词分支的数据合并后将无法区分各自对应的关键词归属。常量字段的作用就是为每行统计结果附加一个"身份标签"，向数据下游明确标识"这一行是保姆级关键词的统计结果"。

下面的分支：

步骤4：合并整体均值与关键词均值

采用"记录集连接"组件将上述两个分支的结果进行合并，以feature_name字段作为连接匹配键。由于两个分支各自仅输出一条记录，因此无需预先进行排序操作。

步骤5：数据写入目标表

通过"表输出"组件将合并后的数据写入title_feature_analysis表。此处需要特别注意：务必取消勾选"裁剪表"选项，因为后续还有其他关键词的统计数据需要追加写入，不能删除表中已有的数据。

步骤6：运行当前分支转换流

一个关键词（"保姆级"）完整的互动汇总数据加工转换流如下。

后续关键词数据处理方法：

将上述构建好的完整分支进行复制粘贴，然后仅需修改两处配置：一是过滤条件（例如改为has_lowcode = 1），二是常量字段的值（例如改为"零代码"）。其余组件的配置参数保持不变。

全部关键词数据处理完毕后的最终数据视图如下：

五、实验产出成果

输出表名	数据粒度	应用场景
content_analysis（更新后）	单篇作品级别	用于排名分析、趋势变化、概况统计等明细层面的分析
title_feature_analysis（新建）	关键词级别	用于标题特征与互动表现之间的关联关系分析

六、核心知识点归纳

• 衍生特征构建方法：借助"计算器"组件完成多字段之间的数学运算，生成新的分析维度指标（如互动总量）
• 文本特征自动化标注：利用JavaScript脚本的字符串匹配能力，实现对标题文本字段中特定关键词的批量自动识别与0/1标志化编码
• 数据更新策略：采用"插入/更新"组件依据主键字段进行增量更新，避免"表输出"方式可能造成的数据重复问题，确保实验流程的可重复执行性
• 分支并行处理模式：通过复制现有分支模板并仅修改过滤条件和常量值两处参数，即可高效完成多个相似维度统计任务，大幅提升数据处理效率
• 常量标签字段的应用价值：在聚合统计的分支合并场景中，常量字段承担着数据"身份标识"的关键角色，是确保下游数据处理环节能够正确区分各分支来源的基础保障

七、实验总结

本实验在数据清洗成果的基础上，进一步完成了作品特征维度的系统性构建。一方面，通过计算互动总量指标，将原本分散的点赞、收藏、分享、投币等单项互动数据整合为一个综合性的作品受欢迎程度度量标准。另一方面，通过JavaScript脚本对标题文本进行自动化解析，将五个高频关键词的存在性编码为结构化的0/1特征向量，使得后续的量化分析成为可能。此外，本实验所采用的数据更新策略（插入/更新）与分支模板复用方法，体现了高效、规范的数据加工实践理念。最终产出的两张数据表——content_analysis（更新版）与title_feature_analysis——为下一阶段的BI可视化探索与运营洞察提炼做好了充分的数据准备。