助睿实验作业7-1：自媒体作品数据清洗与预处理

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：

【图1 ETL分支处理流程图】

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；content_analysis 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7-2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 total_interaction、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。

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。

【图2 导入原始数据截图】

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。

· 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：

【图3 过滤记录组件配置截图】

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"未知"，避免后续使用时出现异常。

【图4 填充缺失值组件配置截图】

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：

【图5 完整ETL转换流截图】

数据探查结果：

【图6 summary_all_platforms 数据探查结果】

【图7 content_analysis 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