助睿实验指导7：自媒体运营分析三次过程合并-CSDN博客

助睿实验指导自媒体运营分析全流程数据清洗→特征构建→可视化探索-CSDN博客实验概述本文基于助睿数智Uniplore平台完整记录“自媒体运营分析”三阶段实验——从原始数据清洗、标题特征工程到多维度可视化仪表盘搭建。通过零代码拖拽式操作掌握数据分析全链路实战技能。一、实验背景与整体设计1.1 实验目的本系列实验基于全班同学在多平台B站、CSDN、微信、知乎等发布的作品互动数据使用助睿ETL完成数据清洗与预处理再通过特征工程挖掘标题影响力最后利用助睿BI搭建可视化仪表盘输出数据驱动的运营优化报告。通过三阶段实验你将掌握✅ 使用助睿ETL完成多源数据的过滤、填充、聚合等预处理操作✅ 利用“JavaScript代码”组件实现文本关键词自动标注✅ 设计分支处理流程同时支撑全平台概况统计与重点平台深度分析✅ 使用助睿BI制作指标卡、排名图、标题影响分析、趋势图等可视化图表✅ 掌握“从图表到洞察”的分析方法撰写数据驱动的优化报告1.2 实验环境项目说明实验平台助睿在线实验平台数据处理工具助睿ETL数据集成平台—零代码拖拽式操作可视化工具助睿BI可视化探索平台—自助式分析助睿ETL核心优势全元数据驱动架构、零代码拖拽、丰富的预处理组件筛选、填充、聚合等、基于开源内核的高可用引擎。助睿BI核心优势工作表机制、交互式仪表盘、自助分析无需SQL、丰富图表类型。二、实验7-1数据清洗与预处理2.1 为什么需要数据清洗采集到的原始数据自媒体作品数据明细.csv存在以下问题平台冗余微信、知乎等平台浏览数几乎为0无法支撑分析无效记录部分作品浏览、点赞、收藏全为0字段缺失点赞、分享等字段存在空值2.2 核心设计思路分支处理本次实验需输出两张表分别满足不同分析需求输出表用途处理逻辑summary_all_platforms全平台概况指标卡保留所有平台原始数据按日期平台分组聚合cleaned_details后命名为content_analysis重点平台深度分析只保留B站和CSDN且浏览数0的记录2.3 实验步骤关键操作截图位置步骤1创建目标表在助睿ETL中创建两张目标表字段设计如下仅展示关键字段全平台概况表summary_all_platformscrawl_date,platform,content_count,total_views,total_likes……内容分析表content_analysisdate,author_name,title,platform,likes,favorites,shares,coins,views,url步骤2导入原始数据从助睿ETL公共空间复制自媒体作品数据明细.csv到自己的文件库。步骤3全平台聚合统计拖入“排序记录”“分组”组件按日期和平台分组数值字段求和输出summary_all_platforms。步骤4过滤记录核心操作在另一分支中使用“过滤记录”组件筛选有效数据text(平台 B站 AND 浏览数量 0) OR (平台 CSDN AND 浏览数量 0)步骤5填充缺失值使用“填充缺失值”组件将作者名称和作品标题的空值统一填充为“未知”。步骤6字段选择剔除无关字段source_file保留date,author_name,title,platform,likes,favorites,shares,coins,views,url。步骤7-8输出目标表并执行将处理后的数据输出为content_analysis运行完整转换流。三、实验7-2作品特征构建3.1 核心设计思路本实验在实验7-1基础上完成两类特征构建更新明细表计算互动总数 提取5个标题关键词标志新建汇总表分别计算含每个关键词的作品的平均互动总数3.2 更新 content_analysis 表步骤1导入数据将实验7-1输出的content_analysis表作为输入。步骤2提取标题特征JavaScript代码在“JavaScript代码”组件中编写以下逻辑javascript//Script here var title title; // 字段名直接作为变量使用 // 判断关键词 var has_best title.indexOf(保姆级) ! -1 ? 1 : 0; var has_lowcode title.indexOf(零代码) ! -1 ? 1 : 0; var has_practice title.indexOf(实战) ! -1 ? 1 : 0; var has_tutorial (title.indexOf(教程) ! -1 || title.indexOf(指南) ! -1) ? 1 : 0; var has_pit title.indexOf(踩坑) ! -1 ? 1 : 0; // 将结果赋值给新字段输出字段需在字段表中提前定义 has_best has_best; has_lowcode has_lowcode; has_practice has_practice; has_tutorial has_tutorial; has_pit has_pit;步骤3计算互动总数使用“计算器”组件interactions likes favorites shares coins步骤4数据更新插入/更新使用“插入/更新”组件按id匹配更新content_analysis表中的total_interaction及5个特征字段。步骤5执行转换流3.3 输出关键词级别汇总表步骤1创建目标表 title_feature_analysis字段id,platform,feature_name,avg_interaction,overall_avg,sample_count步骤2-3计算整体平均值与各关键词平均值以“保姆级”为例整体平均分组组件不设分组条件计算AVG(total_interaction)→ 得到overall_avg关键词平均过滤has_best1→ 聚合计算AVG(total_interaction)和COUNT(id)两个分支都接入“增加常量”组件添加feature_name 保姆级标签。步骤4-5合并记录并入库使用“记录集连接”按feature_name合并整体平均值和关键词平均值然后用“表输出”写入title_feature_analysis。步骤6复制分支加工其他关键词复制整个分支仅修改过滤条件如has_lowcode1和常量值如“零代码”逐个加工所有关键词。四、实验7-3可视化探索4.1 分析框架由于数据特点为内容同质化、平台固定、标题是主要差异来源因此分析聚焦于5个维度核心指标整体表现如何排名分析谁做得好什么内容做得好标题影响标题关键词如何影响数据趋势分析数据随时间如何变化平台对比B站与CSDN表现差异4.2 仪表盘布局采用“先总后分、左右对照”的布局顶部指标卡两行全平台概况 B站/CSDN分平台指标左右两栏左栏B站分析右栏CSDN分析每栏内部按“排名 → 标题分析 → 趋势”排列4.3 实验步骤关键图表制作步骤1-2连接数据源并构建数据集使用summary_all_platforms、content_analysis、title_feature_analysis三张表构建3个数据集。步骤3制作工作表1核心指标卡指标卡数据源配置要点全平台作品数全平台概况求和所有平台content_count分发平台数全平台概况平台去重计数全平台总浏览数全平台概况求和total_views全平台总互动数全平台概况求和总互动需计算字段B站作品数全平台概况平台B站 的计数CSDN作品数全平台概况平台CSDN 的计数B站总播放量全平台概况平台B站 的求和viewsCSDN总阅读量全平台概况平台CSDN 的求和views2排名图表B站/CSDN学生平均播放量排名TOP10维度作者名称指标平均值(浏览数量)B站/CSDN作品播放量排名TOP10维度作品标题指标浏览数量3标题影响分析提升倍率条形图分别计算含某关键词的平均播放量 ÷ 整体平均播放量标题特征对比柱状图含关键词vs不含关键词的平均互动对比含整体平均线4趋势分析B站每日播放量趋势折线图维度日期指标求和(浏览数量)CSDN每日阅读量趋势折线图同上五、核心知识点总结知识点说明多条件过滤使用AND/OR组合实现“平台有效记录”双重过滤缺失值处理统一填充默认值如“未知”避免计算异常宽表设计一次清洗、多次使用支撑后续全部分析JavaScript代码组件用于文本关键词自动标注实现特征工程插入/更新 vs 表输出按主键更新避免重复数据分支处理 常量标识多分支聚合后通过常量标签区分不同分组指标卡设计核心KPI突出展示让读者几秒内建立整体认知排名标题趋势组合从“谁做得好”到“为什么好”再到“规律如何”的完整分析链提升倍率计算量化标题关键词的实际影响含该词平均 ÷ 整体平均