实验三：学生用户画像

学生用户画像-考勤主题扩展标签构建与考勤画像可视化分析

• 实验背景

1.1实验目的

基于已完成的学生考勤主题标签表（student_attendance_stats），使用 K-Means 聚类算法对学生考勤行为进行自动分群。通过迟到、早退、请假、校服违规次数等核心指标，识别不同类型的考勤群体，生成可解释的考勤画像，为校园学生管理、行为分析提供精准数据支撑

基于已完成 K-Means 聚类并标注考勤群体的学生考勤主题标签表，本实验聚焦“纪律高危型”群体，分析其行为特征。相比其他群体，该群体存在高频违纪、多维度异常叠加等行为特征，是校园考勤管理中风险最高、影响最大的群体。通过专项画像分析，可为精准干预和重点整治提供数据支撑，助力校园精细化管理。

1.2 实验环境

1.助睿数智（Uniplore）的数据集成平台 （ETL）​

2.数据库：MySQL（含订单数据和产品信息表）​

3.数据准备：学生考勤主题标签表（student_attendance_stats）

1.3 实验流程

通过对数据的观察，以及对考勤分群的业务需求分析，确定本次建模分析思路如下：

数据维度清晰、变量数量适中，聚焦考勤行为核心指标，无需复杂降维。基于考勤业务理解，将变量聚焦在迟到次数、早退次数、请假次数、校服违规次数四类行为维度，每个维度直接反映一类考勤特征，变量间业务含义独立、相关性低，可直接用于 K-Means 聚类建模，避免变量冗余导致模型解释困难。

本次建模采用次数类连续变量，数据类型单一、适配 K-Means 算法要求。考勤次数均为非负整数，属于连续型变量，满足 K-Means 对数据类型的要求，无需进行哑变量编码、二值化或特殊转换，可直接输入模型，简化预处理流程，保证聚类结果稳定可靠。

学生基础离散属性（性别、年级、住校状态等）不参与聚类建模，仅作为后续画像标签的辅助解释变量。

• 实验步骤

1.AI Studio聚类建模

1. 1. 新建工作流

1.2 数据导入

1.3K-Means聚类建模

1.4 结果输出与保存

2.分析聚类簇编号对应的考勤群体分类

2.1 连接数据源

2.2 构建数据集

2.3 制作工作表

2.4搭建仪表盘

3.1新增扩展字段

3.2聚类簇编号数据获取

3.3 字段选择

3.4聚类簇编号映射

3.5 更新学生考勤主题标签

3.6运行转换流

3.7 查看结果

考勤画像可视化分析

4.1 进入助睿BI

4.2 构建数据集

4.3 制作工作表

4.3.1 整体状况指标卡

4.3.1.1 纪律高危型总人数

4.3.1.2 记录高危型男生人数

4.3.1.3 记录高危型女生人数

4.3.1.4 纪律高危型未知性别人数

4.3.2 纪律高危型学生性别特征分析

4.3.2.1 纪律高危型学生男女人数占比

4.3.2.2 全校学生男女人数占比

4.3.3 纪律高危型学生年纪特征分析

4.3.4纪律高危型学生校区类型 + 年级交叉特征分析

4.3.5不同校区类型各年级学生人数

4.3.6纪律高危型学生班级特征分析

1. 搭建综合仪表盘

三、实验结果