实验7-1：自媒体运营分析-数据清洗与预处理

1 实验目的

本实验基于全班同学在多平台发布的作品互动数据，使用助睿ETL完成数据清洗与预处理，输出两张核心数据表，为后续特征工程与可视化分析奠定基础。

通过本实验，学生应掌握：

• 理解数据清洗在数据分析流程中的基础性与必要性
• 使用助睿ETL完成多源数据的过滤、填充、聚合等预处理操作
• 掌握“分支处理”的设计思路：全平台概况统计与重点平台深度分析分流
• 输出两张规范数据表，支撑仪表盘不同模块的数据需求

2 实验环境

• 实验平台：助睿在线实验平台 https://lab.guilan.cn/

本次实验使用助睿数智（Uniplore） 作为一站式数据科学平台。该平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能，适用于数据分析教学与企业数据加工场景。

助睿数智官网为 https://www.uniplore.com//

• 数据处理工具：助睿ETL（数据集成平台）

助睿ETL核心优势：

• 全元数据驱动架构：平台内所有对象类型均通过元数据标准化定义，覆盖数据读取、处理、写入的全流程
• 零代码拖拽式操作：通过可视化方式完成数据的抽取（Extract）、转换（Transform）、加载（Load），无需编写复杂代码
• 丰富的预处理组件：内置筛选、填充、聚合、连接、字段选择等多种转换节点，灵活应对各类数据清洗场景
• Pipeline（转换）机制：面向数据流通处理的核心功能单元，由多个不同功能的Transform步骤组合构成，聚焦数据本身的加工转换操作
• 开源内核高可用引擎：基于开源内核的高可用引擎架构，通过标准化插件体系可灵活扩展引擎能力

3 核心设计思路

3.1 为什么需要数据清洗？

采集到的原始数据往往不能直接用于分析，需要先做清洗。

观察 自媒体作品数据明细.csv 这份数据，可以发现几个问题：

• 平台冗余：数据包含了B站、CSDN、微信、知乎、小红书等多个平台，但微信、知乎等平台的浏览数量几乎全是0。这些平台虽然有作品记录，但缺乏核心的浏览数据，无法支撑有意义的分析。
• 无效记录：部分作品的浏览数量、点赞数量、收藏数量全部为0。这些记录可能是采集失败，也可能是作品确实无人问津，但无论如何，它们对分析没有贡献。
• 字段缺失：点赞、收藏、分享等字段中存在空值，如果不处理，后续计算会报错。

数据清洗要做的，就是把这些问题逐一解决。

3.2 数据处理流程

本次实验有一个特殊之处：后续可视化仪表盘需要同时展示两类信息。

第一类是“全平台概况”——全班总共发了多少内容？覆盖了几个平台？总浏览和总互动是多少？这些数字需要基于所有平台的原始数据来统计，哪怕浏览数为0也要计入作品数。

第二类是“重点平台深度分析”——B站和CSDN的具体表现如何？播放量、阅读量、互动率是多少？这些分析只需要B站和CSDN的有效数据（浏览数大于0的记录）。

两类信息对数据的要求不同，所以在ETL中需要做分支处理：

两张表各司其职：summary_all_platforms 只用于仪表盘顶部的全平台概况指标卡；cleaned_details 作为中间结果，交给下一实验继续加工。

4 实验步骤

步骤1：创建目标表

在助睿ETL中创建两张目标表。

第一张是全平台概况表（summary_all_platforms），用于存放所有平台的汇总数据。字段设计如下：

这张表不做任何过滤，保留所有平台的原始数据。各平台特色指标（B站的投币、微信的推荐、知乎的喜欢/赞同）单独保留列，不合并到通用指标中。因为B站的投币和知乎的赞同含义不同，加在一起反而说不清楚，让它们各自独立，读者能清晰地看到每个平台有哪些互动行为。

DROP TABLE IF EXISTS `summary_all_platforms`; CREATE TABLE summary_all_platforms ( `id` BIGINT AUTO_INCREMENT PRIMARY KEY COMMENT '自增主键ID', crawl_date DATE COMMENT '采集日期', platform VARCHAR(20) COMMENT '平台名称', content_count INT COMMENT '作品数量', total_views INT COMMENT '总浏览数', total_likes INT COMMENT '总点赞数', total_favorites INT COMMENT '总收藏数', total_shares INT COMMENT '总分享数', total_coins INT COMMENT '总投币数（仅B站）', total_recommend INT COMMENT '总推荐数（仅微信）', total_likes_zhihu INT COMMENT '总喜欢数（仅知乎）', total_approvals INT COMMENT '总赞同数（仅知乎）' ) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = '全平台概况汇总表，存储各平台原始采集数据';

第二张是内容分析表（content_analysis），作为实验二的输入。字段与原始数据基本一致，但只包含B站和CSDN的有效记录：

其中 interaction_rate, has_best, has_lowcode, has_practice, has_tutorial, has_pit 字段的数据加工将在下一个实验中完成。

DROP TABLE IF EXISTS `content_analysis`; CREATE TABLE content_analysis ( `id` BIGINT AUTO_INCREMENT PRIMARY KEY COMMENT '自增主键ID', `date` DATE COMMENT '采集日期', author_name VARCHAR(100) COMMENT '作者昵称', title VARCHAR(500) COMMENT '作品标题', platform VARCHAR(20) COMMENT '平台：B站 / CSDN', likes INT COMMENT '点赞数', favorites INT COMMENT '收藏数', shares INT COMMENT '分享数', coins INT COMMENT '投币数（仅B站）', views INT COMMENT '播放量/阅读量', url VARCHAR(500) COMMENT '作品链接', total_interaction INT COMMENT '互动总数', has_best TINYINT(1) COMMENT '是否含“保姆级”：1是，0否', has_lowcode TINYINT(1) COMMENT '是否含“零代码”：1是，0否', has_practice TINYINT(1) COMMENT '是否含“实战”：1是，0否', has_tutorial TINYINT(1) COMMENT '是否含“教程/指南”：1是，0否', has_pit TINYINT(1) COMMENT '是否含“踩坑”：1是，0否' ) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = '内容分析表（实验二输入表，仅保留B站、CSDN有效数据）';

步骤2：导入原始数据

将已提供在助睿ETL公共空间的 自媒体作品数据明细.csv 导入到自己的文件库中，作为数据源输入。助睿ETL支持多种数据源接入，CSV文件可直接导入。

本次分析使用的数据来源于助睿ETL公共空间的 自媒体作品数据明细.csv，已采集了同学们在6月8日-6月15日前提交的作品互动数据。需要说明的是，该数据集仅覆盖采集时间节点前已发布且未被删除的作品，之后新提交或已删除的作品不在此次分析范围内。导入前请先将该文件从公共空间复制到自己的文件库中。

步骤3：全平台聚合统计

首先创建“数据清洗与预处理”转化流，将“CSV文件输入”组件拖入画布

在数据清洗之前，先做一个分支。拖入“排序记录”、“分组”组件，按 日期 和 平台 排序、分组，其余数值字段全部取求和，这里需要加一个对url进行个数统计的字段，聚合为content_count字段。输出 summary_all_platforms

步骤4：过滤记录

在另一个分支中，使用“过滤记录”组件筛选B站和CSDN的有效记录：

只保留 B站 和 CSDN 两个平台，原始数据包含B站、CSDN、微信、知乎、小红书等多个平台。由于微信、知乎等平台的浏览数量大量缺失（值为0），无法支撑有意义的分析，因此只保留 B站 和 CSDN 的记录。

（2）删除两个平台中浏览量为0的记录，聚焦于真正产生用户互动的作品。

使用助睿ETL的“过滤记录”组件，通过 AND 与 OR 组合条件：

(平台 = 'B站' AND 浏览数量 > 0 )

OR

(平台 = 'CSDN' AND 浏览数量 > 0)

在“过滤记录”组件中对应的配置如图：

逻辑说明：括号内的条件组合确保“平台”与“有效记录判定”同时满足，一个组件完成双重过滤。助睿ETL的过滤记录组件支持编写复杂条件表达式，可通过 AND、OR 灵活组合多条件，一步到位完成精细化数据筛选。

步骤5：填充缺失值

由于数值字段没有空值，但作者名称和作品标题可能存在空值，我们统一填充为位置，避免后续使用时出现异常。

步骤6：字段选择

原始数据中的 source_file是采集批次标记，分析阶段用不到，剔除掉。投币数量（coins）保留，作为B站特有的互动指标。用“字段选择”组件，只保留以下字段，其他字段全部剔除：

date, author_name, title, platform, likes, favorites, shares, coins, views, url

步骤7：输出目标表

将处理后的数据输出为 content_analysis，这张表是实验7-2的输入。

步骤8：执行转换流

完整转换流如下，点击运行

数据探查结果：

5 核心知识点总结

多条件过滤：使用 AND/OR 组合平台过滤与有效记录判定，一个组件完成双重过滤

缺失值处理：统一填充默认值，避免计算异常

多日期保留：保留时间维度用于趋势分析，暂不做去重

助睿ETL Pipeline：通过多个Transform步骤组合完成完整的数据加工流程

宽表设计：一次清洗、多次使用，一张表支撑全部后续分析

6 实验结果

第一张是全平台概况表（summary_all_platforms），用于存放所有平台的汇总数据

第二张是内容分析表（content_analysis），作为实验二的输入。字段与原始数据基本一致，但只包含B站和CSDN的有效记录

7 实验总结

本次实验依托助睿 ETL 完成自媒体原始 CSV 数据的清洗预处理，采用分支处理思路，一路对全平台数据分组聚合生成汇总表 summary_all_platforms，另一路通过多条件过滤仅保留 B 站、CSDN 浏览量大于 0 的有效作品，完成空值填充、无用字段剔除后输出明细清洗表 content_analysis，掌握了多条件筛选、缺失值填充、分支分流、分组聚合等 ETL 基础操作，理解了数据清洗是后续特征分析、可视化的前置基础，分层分表的数据设计可分别满足整体概况统计与重点平台深度分析的不同业务需求，同时也认识到原始数据存在平台数据残缺、字段空值、无效记录等问题必须通过标准化预处理才能保障后续数据分析准确。