1 实验目的本实验基于实验7-1已完成清洗的数据集依托助睿ETL工具完成作品标题特征提取、互动数据指标计算及分层数据统计存储工作核心完成两类数据特征的加工与入库具体要求如下1作品明细数据特征计算与更新完成作品总互动量指标计算提取5类标题关键词特征标识字段将所有新增特征数据更新至content_analysis明细表中。其中总互动量计算公式为total_interaction likes favorites shares coins5类标题特征标识分别为has_best、has_lowcode、has_practice、has_tutorial、has_pit。2关键词维度汇总统计基于5类标题特征关键词分组统计包含对应关键词作品的平均总互动量将最终汇总统计结果存入title_feature_analysis汇总表。通过本次实验熟练掌握零代码ETL数据加工方法深度理解特征工程在数据分析中的应用价值具体掌握技能点如下明晰特征工程的核心原理掌握其在数据挖掘、业务分析中的关键作用熟练使用助睿ETL计算器组件完成衍生业务指标的计算生成运用JavaScript代码组件实现文本内容自动匹配、关键词特征智能标注掌握插入/更新组件的使用逻辑实现数据回填更新保障基础原始数据不被覆盖、不重复新增灵活运用“过滤记录聚合统计”组件组合完成分组筛选、数据聚合、均值统计等数据分析操作。2 实验环境2.1 实验平台本次实验依托助睿在线实验平台开展平台地址https://lab.guilian.cn/。实验底层采用Uniplore助睿数智一站式数据智能服务平台该平台为AI驱动的零代码大数据基础软件覆盖数据接入、ETL加工、机器学习建模、可视化分析全链路能力适配高校数据分析教学实训与企业常态化数据加工场景官网地址https://www.uniplore.com//。2.2 核心工具助睿ETL数据集成平台助睿ETL是本次实验的核心数据处理工具主打零代码可视化数据加工可高效完成数据抽取、转换、加载全流程操作核心优势如下全元数据驱动架构通过标准化元数据定义平台所有数据对象规范数据读取、加工、写入全流程保障数据规范性与一致性零代码拖拽式操作无需编写大量代码通过可视化拖拽组件、配置参数即可完成复杂数据处理流程上手门槛低、实操效率高丰富的预处理组件内置筛选、填充、聚合、表连接、字段筛选等各类数据处理组件可灵活适配数据清洗、特征加工、统计分析等各类场景Pipeline转换机制以数据处理流程为核心单元可组合多个功能组件搭建完整的数据加工链路聚焦数据本身的转换与优化高可用开源内核基于开源引擎架构搭配标准化插件体系支持功能灵活扩展运行稳定、适配性强。2.3 实验核心组件及用途本次实验全程依托助睿ETL内置组件搭建数据加工流程各核心组件功能用途如下表所示3 核心设计思路本次实验围绕作品明细特征更新和关键词维度汇总统计两大核心任务开展基于实验7-1清洗完成的数据集完成二次特征加工与数据分析整体设计逻辑如下第一构建作品级互动特征。整合点赞、收藏、转发、投币四类用户互动数据计算总互动量指标量化单条作品的整体用户互动热度直观反映作品传播效果。第二构建标题文本特征。针对作品标题文本筛选“保姆级、零代码、实战、教程/指南、踩坑”五类高频且贴合教学实操场景的核心关键词通过文本匹配生成0/1二值特征标识量化区分不同标题风格为后续对比分析标题特征对作品流量的影响提供数据支撑。第三实现分层数据统计。在单作品特征加工完成后以标题关键词为分组维度统计各类关键词作品的平均互动量、样本数量并结合平台整体平均互动水平做对比实现从单条明细数据到维度汇总数据的层级分析。第四规范数据写入逻辑。采用“插入/更新”组件实现明细数据回填避免数据重复冗余通过多组件组合搭建统计流程保障汇总数据精准可控支持实验反复调试运行。4 实验操作步骤4.1 更新content_analysis表标题特征总互动量计算本环节主要完成单作品维度的特征计算生成总互动量和5类标题特征字段并回填更新至原有明细表。步骤1导入实验数据源在助睿ETL工作区中通过「表输入」组件导入实验7-1清洗完成的content_analysis数据表支持跨项目引用历史数据集无需重复导入原始数据作为本次特征加工的基础数据源。步骤2JavaScript组件提取标题特征接入「JavaScript代码」组件编写文本匹配代码对数据表中的title标题字段进行关键词检索匹配自动生成5类二值特征标识字段匹配规则如下核心代码逻辑字段返回规则关键词匹配成功返回1未匹配成功返回0通过二值量化实现文本特征结构化。步骤3计算器组件计算总互动量在数据流程中接入「计算器」组件新建total_interaction字段配置计算公式total_interaction likes favorites shares coins汇总四类互动数据得到单作品整体互动热度指标。步骤4插入/更新组件回填数据为保障原有基础数据不被覆盖、不产生重复数据采用「插入/更新」组件替代直接表输出按作品id为唯一匹配依据精准更新新增特征字段核心配置如下字段映射规则数据流id对应表id、计算的总互动量对应total_interaction字段、五类特征标识一一对应表中特征字段。系统根据id自动判断已有数据仅更新指定字段无数据则新增适配多次实验运行场景。步骤5运行转换流并查看结果完成所有组件配置与链路搭建后检查流程连通性点击运行数据转换流执行明细数据更新操作。4.2 生成关键词级别汇总数据表本环节基于更新后的content_analysis明细表分组统计五类标题关键词对应的作品平均互动量生成维度汇总数据表title_feature_analysis。步骤1创建目标汇总表在平台中新建title_feature_analysis数据表用于存储关键词维度统计结果表结构字段定义如下步骤2计算平台整体平均互动量复用content_analysis数据源接入「排序记录」「聚合」组件对全量作品数据进行聚合计算统计出平台所有作品的整体平均互动量overall_avg。聚合完成后添加「增加常量」组件新增feature_name字段并赋值对应关键词名称为后续数据合并做标识匹配。步骤3计算单关键词平均互动量以单一关键词为示例其余关键词流程同理复制数据源分支接入「过滤记录」组件设置筛选条件如has_best1精准筛选出包含“保姆级”关键词的作品数据。筛选完成后通过「排序聚合」组件统计该类作品的平均互动量avg_interaction和作品样本数sample_count。最后通过「增加常量」组件标注对应关键词名称解决聚合后数据无维度标识的问题便于后续区分各类统计结果。步骤4合并整体数据与关键词数据使用「记录集连接」组件以feature_name为匹配字段将平台整体平均数据与单关键词统计数据进行关联合并形成单关键词完整统计数据包含均值、样本量、维度名称等全量信息。步骤5数据入库存储接入「表输出」组件将合并后的关键词统计数据写入title_feature_analysis目标表操作时不勾选“裁剪表”保留已有数据实现多批次数据累加入库。步骤6批量完成全关键词统计复制已搭建完成的单关键词数据处理分支仅修改两处核心配置一是过滤记录的筛选条件匹配对应特征字段二是常量组件中的关键词名称依次完成“零代码、实战、教程/指南、踩坑”剩余四类关键词的统计计算。5 实验输出结果说明本次实验最终生成两类结构化数据表分别对应作品明细层级与关键词汇总层级支撑不同场景的数据分析工作具体说明如下