本文基于数智教育数据集，使用 Python 在 PyCharm 中完整复现“基于大语言模型的学生用户画像构建与个性化推荐”实验流程。项目融合学生基本信息、成绩、考勤和消费数据，构建多维学生画像，并接入 DeepSeek 生成自然语言画像与个性化学习建议。同时对比传统规则画像、协同过滤推荐和向量检索推荐方法，完成冷启动推荐、相似学生匹配及多类可视化分析，适合商业数据分析初学者作为保姆级实战参考。

本文基于数智教育数据集，使用 Python 在 PyCharm 中完整复现“基于大语言模型的学生用户画像构建与个性化推荐”实验流程。项目融合学生基本信息、成绩、考勤和消费数据，构建多维学生画像，并接入 DeepSeek 生成自然语言画像与个性化学习建议。同时对比传统规则画像、协同过滤推荐和向量检索推荐方法，完成冷启动推荐、相似学生匹配及多类可视化分析，适合商业数据分析初学者作为保姆级实战参考。

ETL数据抽取是小白入门的第一道坎，也是踩坑最多的地方。本文手把手带你用零代码平台，搞定 CSV、TXT、Excel 三种最烦人格式的数据抽取——从日期计算、绩效评级到字段筛选，全程截图标注，附赠真实踩坑详解。不用写一行代码，跟着点鼠标就能出结果，文末还有调试避坑指南，新手照着做绝对不报错！

高危群体呈现明显的“男性主导”特征。男生占比略高于全校男生的自然基数，反映出在青春期阶段，男生在规则意识建立和时间自我管理上相对薄弱，是纪律教育的重点关注对象。

本文基于某中学近五年的学生历次考试成绩数据，构建了“七选三”选科推荐模型。从成绩水平（标准分均值）、进步趋势（线性回归斜率）、稳定性（标准差）和内部离差四个维度，量化每位学生在物理、化学、生物、历史、地理、政治、技术七门科目上的学科潜力指数。通过Z-score标准化消除量纲影响，按权重（40%、30%、20%、10%）加权计算综合得分，为每位学生推荐潜力指数最高的三门科目。分析覆盖3,869名学生