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 + coins；5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。

4.1 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2：JavaScript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_best=1），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：