本次实验依托数智教育公开数据集，完成了一套完整的落地实战。区别于单纯调用大模型生成文本内容的浅层实验，本项目聚焦教育业务真实场景，通过数据清洗、多源数据聚合、特征指标工程、规则建模，结合向量检索技术与大语言模型能力，搭建出一套可复现、可解释、可迭代的智能化教育分析体系，为个性化教学、学生学情干预提供数据支撑。

本文介绍了基于Uniplore助睿ETL数据集成实训平台开展的多格式文件数据抽取实验。实验涵盖CSV、TXT文本和Excel表格三类主流文件的数据采集与预处理全流程，通过可视化拖拽组件实现数据读取、字段精简、计算加工和结果导出。文中详细说明了实验环境、数据准备以及三种文件类型的处理步骤和逻辑，包括CSV文件的绩效计算、TXT文件的字段筛选和Excel表格的核心字段提取。实验结果表明，针对不同文件格

利用极简的 JavaScript 映射（Map）逻辑，将数据按需分配： 分支1（给柱状图）：return data.map(item => ({x: item.x, y: item.y1}))分支2（给饼图）：return data.map(item => ({name: item.x, value: item.y2}))最后，将这三个分支的输出点，分别连上对应的图表节点“导入数据接口”，数据绑定

平台全称：助睿数智（Uniplore）一站式数据科学实验平台​•平台定位：覆盖数据接入、ETL处理、机器学习建模到可视化分析的全链路Agentic零代码数据智能​•产品官网：https://www.uniplore.com/​•实验平台地址：https://lab.guilian.cn/

分析： 从班级水平条图可以清晰看到，纪律高危型学生高度集中在少数班级，其中高三 13 班高危人数最多（37 人），其次为高三 11 班、高三 08 班等，多数班级高危人数极少，呈现明显的班级聚集性。更重要的是，我深刻体会到数据驱动管理的价值：仅凭直觉认为“高年级纪律差”是不够的，通过对比全校基数、校区分布等数据，可以精准定位问题所在——老校区高三年级、少数薄弱班级才是真正的“重灾区”。新建堆叠柱状

【实验摘要】基于学生考勤数据，本研究通过助睿数智平台实现无监督学习与业务画像转化闭环。采用K-Means算法将学生分为三类群体：C1（自律模范型）异常行为极少，C2（轻微波动型）偶发违规需提醒，C3（纪律高危型）高频多维度违纪需重点干预。实验创新性结合AIStudio建模、BI可视化解读与ETL标签固化，解决了聚类结果解释性差（通过散点图分析赋予业务含义）和数据回写类型错误（字段类型强制转换）等关

【实验摘要】基于学生考勤数据，本研究通过助睿数智平台实现无监督学习与业务画像转化闭环。采用K-Means算法将学生分为三类群体：C1（自律模范型）异常行为极少，C2（轻微波动型）偶发违规需提醒，C3（纪律高危型）高频多维度违纪需重点干预。实验创新性结合AIStudio建模、BI可视化解读与ETL标签固化，解决了聚类结果解释性差（通过散点图分析赋予业务含义）和数据回写类型错误（字段类型强制转换）等关

​ 使用记录集连接组件，将考勤主表与考勤类型码表关联——因为考勤记录表只有考勤类型ID（attendance_type_id）和考勤任务顺序ID（control_task_order_id ），缺少具体的考勤行为名称，而通过记录集连接组件进行连接，即可为每条考勤记录补充“正常考勤”“没穿校服”“迟到”“请假”等具体行为信息，确保后续能准确识别各类考勤行为。双击“分组”组件，设置分组字段为“stu_

通过本次实验，我们掌握了助睿零代码ETL平台的基本使用流程，包括如何创建项目、同步数据源、新建转换流、添加并配置组件、执行转换以及查看运行结果。同时，也学会了表输入、记录集连接、字段选择、过滤记录、Excel输出等常用组件的配置方法，进一步理解了多表关联和条件分流在实际数据处理中的应用。与传统依赖编写SQL和脚本的方式相比，助睿平台采用拖拽式、零代码的操作方式，更加直观。各个组件之间的数据传递路径