本次实验包含两个连贯的数据挖掘实验，依托助睿数智Uniplore零代码平台完成。第一部分为学生用户画像-考勤主题扩展标签构建，利用K-Means无监督聚类算法，以学生在校迟到、早退、请假、校服违规四类考勤行为数据为特征维度，对全体学生进行自动化人群分群，生成标准化学生考勤分类标签，完成原始数据表的标签扩充；第二部分为学生用户画像-考勤画像可视化分析。

本文在助睿数智（Uniplore）平台上探索更复杂的ETL场景——学生考勤画像标签构建。实验整合考勤流水、类型字典、学生信息三张表，通过9种组件类型共16个组件的编排，完成多表关联、JavaScript行为标记、分组聚合、维度衍生和标准化输出，最终生成包含年级、校区、住校状态等维度及四类行为指标的标签宽表。本教程适合有一定基础、希望进阶掌握零代码ETL的读者参考

最近在学习数据分析时，接触到了一个很有意思的概念——ETL。可能很多刚入门的同学会问：ETL到底是个啥？E（Extract，抽取）：从各种数据源中把数据取出来T（Transform，转换）：对数据进行清洗、计算、关联等加工处理L（Load，加载）：把处理好的数据存到目标位置举个生活中的例子，就像做菜：先把菜从冰箱拿出来（Extract），然后洗菜切菜炒菜（Transform），最后装盘上桌（Loa

本研究基于某校全寄宿制高中46万余条消费记录，采用"双层筛选模型"从1,730名学生中精准识别出130名核心困难学生（占全校7.5%），并通过孤立森林交叉验证（重叠率43.08%），验证了识别结果的稳健性。从"经验判断"到"数据驱动"，从"统一发放"到"分层滴灌"，教育大数据正在让校园资助工作变得更精准、更有温度。本文构建的双层筛选模型和三层资助体系，仅是一个起点。我们相信，每一份助学金都应当精准