2301_80418516的博客

原创 浏览器用户画像分析-大屏静态布局制作+数据接入+交互设置槿木

蓝图编辑器是本次实验的重点与难点，我理解了节点、连线、事件、动作、全局变量的工作逻辑，学会通过少量 JS 代码完成参数传递、数据过滤、格式转换，实现筛选联动、页面切换、地图下钻等复杂交互。在大屏搭建环节，熟悉了不同图表（饼图、柱状图、地图、轮播列表）的适用场景，掌握了大屏布局、样式美化、图层管理的技巧。原始用户数据经过排序、分组、聚合后，成功生成 user_profile_stats 统计表，字段完整、数据逻辑正确，包含浏览器、性别、年龄、学历、省份等全维度统计数据，为大屏提供可靠数据源。

原创 浏览器用户画像与市场分析——第二阶段数据预处理，并完成分析型数据大屏设计

掌握了逆向拆解数据表的设计方法从大屏业务需求出发，先明确分析问题，再确定分析维度，最后设计目标统计表。理解了“分层聚合、提前聚合明细数据”的工程思路，避免大屏直接查询原始大表。同时认识到，多张图表复用同一张中间聚合表，能有效减少重复计算、提升查询性能。提升了报错排查与调试能力实操中解决了三类典型入库报错：字段NOT NULL约束违反（如hour缺失）、目标表缺少字段（如ISCITY未定义）、字段大小写或映射遗漏等问题。养成了入库前预览数据、分步调试单条转换流的排查习惯。掌握了指标分层加工的逻辑。

原创 浏览器用户行为分析与流失预测-数据加工

因此，确定浏览器为分析对象。接下来就可以对排序后的数据进行分组聚合统计了，拖拽“分组”组件到画布中，创建“排序记录”组件到“分组”组件的连线，双击“分组”组件，在分组字段空白处获取字段后，仅保留“process_name”，在聚合表格空白处右键点击“插入”，双击插入的空白行，名称输入“user_count”，subject选择“user_id”，类型选择“个数”，最后点击“确认”拖拽分组组件到画布中，创建“分组”组件到“分组 1”组件的连线，“分组 1”组件只按 process_name 分组。

原创 零代码实现 K-Means 聚类：基于助睿数智平台的学生考勤行为分群实战

选择后会自动加载表信息，我们主要是分析各类异常考勤占比的特征，所以只需保留 student_id 、class_id、late_count、early_leave_count、leave_count、uniform_violate_count，其他字段跳过（skip）；在该模块页面中，主要包括三个模块，分别是菜单栏，控件列表以及画布（用于工作流构建）。可以看到存在性别“未知”数据，需要将“未知”数据过滤掉，点击图像设置，并点击过滤器中的“+”，在下拉列表中选择“gender”，最后点击“确认”

原创 ETL 实验复盘：从 CSV 到学生画像标签表的完整转换流

JavaScript 组件“校区类型判定”：班级名以“白-”或“东-”开头则为“新校区”，其他非空为“老校区”，输出字段。元数据中新建 MySQL 数据源，连接名“团队私有数据库”，填写助教提供的主机地址、端口、数据库名、用户名密码，驱动选。排序结果与“考勤类型”表输入通过“记录集连接”（LEFT OUTER）关联，连接字段同为上述两个字段。：连接“表输出”组件，选择“团队私有数据库”，目标表。，勾选“裁剪表”和“指定数据库字段”，建立字段映射。在元数据中刷新“团队私有数据库”，查询。

原创 助睿ETL实验-订单利润分流数据加工

原创 深度解析：不同用户群体该如何选择C盘清理工具？

所有数据基于Windows 11 22H2系统（450GB C盘/已用89%），测试环境隔离后台进程干扰，误差范围±1.5%。：该工具已通过微软WHQL认证，内核模块直接调用Windows API接口，避免第三方驱动冲突。系统盘清理看似简单，实则涉及文件系统底层逻辑。三大维度拆解5款主流工具，附实测数据供参考。：精通IT技术，偏好自定义规则的用户。