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。

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

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

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

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

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