potion()-优快云博客

原创基于大语言模型的学生用户画像构建和个性化推荐方法

Python 准备事实 → Prompt 规定分析方式 → JSON 接回系统 → 卡片与图表呈现给人看。完整实现见 qwen_portrait.py。声明：文中学生姓名与数据均已脱敏，仅用于技术学习与交流。

2026-07-11 00:00:33 243

本实验基于助睿ETL平台完成三类文件数据处理：通过CSV文件计算项目执行天数并划分绩效等级，处理TXT文本剔除冗余字段，筛选Excel购房者关键字段。实验验证了平台零代码组件在数据抽取、转换、输出全流程的有效性，包括字段选择、计算器、数值范围等核心功能。平台优势在于可视化操作和实时预览，但存在路径管理繁琐、字段同步需手动等问题。实验成功实现了文件型数据源的ETL基础处理，为数据集成学习提供了实践基础，特别适合教学场景下的ETL入门训练。

2026-07-10 20:53:18 344

原创自媒体运营分析-数据清洗与预处理

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。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站和优快云的记录。平台冗余：数据包含了B站、优快云、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。这些分析只需要B站和优快云的有效数据（浏览数大于0的记录）。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。

2026-07-10 14:48:47 224

原创自媒体运营分析-可视化探索

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”。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。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”。这个排名反映的是一个人的整体运营水平。

2026-07-10 14:46:14 206

原创自媒体运营分析-作品特征构建

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。为什么要加这个常量？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。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。

2026-07-10 14:41:26 192

原创浏览器用户画像分析-大屏静态布局制作+数据接入+交互设置

本次实验中，我们可以将市场分析大屏的组件所在的“市场分析”组整体复制、隐藏，复制的组重命名为“用户画像”，用户画像大屏的组件正常显示。其中轮播列表支持各行各列的样式和内容的自定义配置，支持列表内容的超链接配置，同时支持图片格式的列表内容，能够使用轮播动画的方式，将数据信息以列表的形式清晰地展示在可视化应用上。助睿Max的“数字翻牌器”组件支持动态数值变化动画、千分位分隔符、小数位数控制、前后缀自定义（如“万人”、“%”、“¥”），以及背景、边框、字体阴影等样式，使核心指标更加突出。

2026-06-15 14:36:05 268

原创基于助睿平台的浏览器市场与用户画像分析 — 数据加工与大屏实现

本实验旨在通过助睿数智Uniplore平台完成浏览器用户行为数据的ETL加工与分析。实验首先构建用户-日-浏览器-小时明细表，对浏览器使用日志进行清洗和标准化处理。随后创建8张核心统计表，包括周活跃趋势、使用频率、多开数量等分析维度。关键步骤包括：复制并改造旧转换流、添加浏览器名称映射、输出到明细表，以及一次性创建所有目标统计表。实验要求严格匹配进程名与浏览器名称，确保字段映射准确，最终生成多维度的浏览器市场格局和用户画像分析数据，为企业决策提供支持。

2026-06-08 00:41:49 218

原创基于助睿平台的浏览器用户行为分析与流失预测 —— 数据加工实验

本次实验通过ETL流程处理互联网用户行为日志数据，将半结构化TXT文本转换为结构化数据表。实验使用助睿平台，对800万+条记录进行日志解析、数据清洗和字段衍生，最终构建包含用户ID、访问时间、URL等关键字段的行为事件明细表。主要步骤包括：创建数据库表、批量导入日志文件、Java代码解析键值对数据，并建立索引优化查询性能。实验成果可直接用于用户行为分析和浏览器市场研究，同时掌握企业级ETL数据处理方法。

2026-05-27 09:00:00 450 4

原创零代码实战：基于聚类与助睿 BI 的学生考勤行为画像分析

本文介绍了使用K-Means聚类算法分析学生考勤行为的方法。实验基于助睿数智平台，通过迟到、早退、请假、校服违规等指标，将学生分为三类群体。主要步骤包括：1）在AI Studio平台建立工作流，导入考勤数据并进行K-Means聚类；2）将聚类结果保存至数据库；3）通过助睿BI平台连接数据源，构建数据集并创建工作表；4）使用可视化图表分析不同聚类群体的特征分布。该方案为零代码实现，为校园管理提供数据支持，可识别各类考勤行为模式的学生群体。实验最终生成包含聚类结果的可视化分析报告，帮助管理者直观了解学生考勤状况

2026-05-20 17:43:19 495 2

原创从 0 到 1｜助睿平台实现学生画像标签挖掘与建模

本文基于"数智教育"大赛数据集，设计并实现了学生多维度考勤统计ETL转换流。实验采用助睿数智平台，通过7张核心业务表构建"事实表+维度表+属性表"的星型模型，重点处理3张考勤相关表。转换流实现了从数据接入、多表关联、标签衍生到聚合统计的全流程自动化，解决了人工统计效率低、口径不统一的问题。实验详细梳理了学生基础属性、画像维度和考勤行为三类标签，制定了统一统计口径，并优化了空值处理逻辑。通过可视化界面配置，最终输出精准的多维度考勤统计结果，为校园考勤管理提供数据支撑。

2026-05-11 19:29:24 616 4

原创从零梳理：多源校园数据下的学生单次考试成绩预测（线性回归 + 决策树 + XGBoost）

XGBoost 在测试集上的 MAE（8.51）、RMSE（11.93）均为三者最低，R²（0.822）最高，相比线性回归，误差降低约 19.6%，R² 提升约 9.5%，说明模型对数据的拟合能力和预测准确性显著优于另外两个模型。但低分段样本存在一定的系统性高估现象，说明模型对低分数据的拟合能力仍有提升空间。交叉验证箱线图结果表明，该线性回归模型在不同数据划分下的 MAE、RMSE 与 R² 指标分布集中，均值与中位数基本重合，无明显异常波动，说明模型预测误差稳定、泛化能力良好，整体性能具有较强鲁棒性。

2026-05-08 15:54:44 686 2

原创超详细！零代码 ETL 实战 | 助睿平台订单利润分流从 0 到 1 全流程拆解

本文摘要为实验指导文档，主要介绍如何使用助睿零代码ETL平台完成订单利润分流处理。实验内容包括：1)平台登录与团队管理；2)创建实验项目并同步数据库；3)构建ETL转换流，通过表输入、记录集连接、字段选择和过滤记录等组件实现多表关联与数据分流；4)将盈利和亏损订单分别输出到Excel文件。实验目标是掌握零代码ETL平台的基本操作。

2026-04-30 21:20:44 847 2

2301_79692993的博客