朱梓熙，劉文敏，徐寶焱，黃紅梅，敖新宇

（廣東水利電力職業(yè)技術(shù)學(xué)院，廣東 廣州510635）

一、引言

隨著信息技術(shù)的不斷發(fā)展，高校越來(lái)越重視數(shù)字校園、智慧校園的建設(shè)[1][2]，各高校的校園建設(shè)不斷走向數(shù)字化。本文通過(guò)對(duì)高職院校信息進(jìn)行收集和整理，整合有關(guān)學(xué)生考勤、成績(jī)和圖書(shū)借閱情況等方面的數(shù)據(jù)，尋找學(xué)生的行為規(guī)律、研究學(xué)生的行為特點(diǎn)，對(duì)學(xué)生分類(lèi)進(jìn)行指標(biāo)判定，最后進(jìn)行聚類(lèi)分析，并將分析結(jié)果進(jìn)行可視化展現(xiàn)，為促進(jìn)和提高學(xué)校在教育教學(xué)方面的決策提供了有力支撐。

本文用到的學(xué)生考勤數(shù)據(jù)來(lái)自于教師上課的考勤記錄。本文用到的學(xué)生借閱數(shù)據(jù)來(lái)自于學(xué)校圖書(shū)館的借閱軟件系統(tǒng)。

二、數(shù)據(jù)預(yù)處理

在數(shù)據(jù)挖掘中，由于數(shù)據(jù)來(lái)源的范圍廣且數(shù)量大，使得數(shù)據(jù)的質(zhì)量不是很高，為此，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理的目標(biāo)是通過(guò)篩除掉有缺失的數(shù)據(jù)，從而保證數(shù)據(jù)的質(zhì)量，使數(shù)據(jù)處理能夠順利進(jìn)行，并通過(guò)一些操作來(lái)合并必要的數(shù)據(jù)，變換數(shù)據(jù)的某些分量使得對(duì)同種性質(zhì)數(shù)據(jù)標(biāo)準(zhǔn)的統(tǒng)一等。

由于數(shù)據(jù)主要由學(xué)校應(yīng)用系統(tǒng)導(dǎo)出，這些數(shù)據(jù)主要以Excel表文件的方式存在。其余數(shù)據(jù)是來(lái)自于不同的系統(tǒng)與部門(mén)，所涉及的范圍較多，采集到的原始數(shù)據(jù)中數(shù)據(jù)結(jié)構(gòu)標(biāo)準(zhǔn)沒(méi)有統(tǒng)一的格式，同時(shí)有很多無(wú)用屬性和本次研究的主題無(wú)關(guān)。另外，種種原因造成部分?jǐn)?shù)據(jù)缺失，如學(xué)生休學(xué)和缺考等原因，所以需要將這些數(shù)據(jù)內(nèi)容進(jìn)行清除，剔除這部分?jǐn)?shù)據(jù)。在收集的數(shù)據(jù)中，有些數(shù)據(jù)項(xiàng)被發(fā)現(xiàn)出現(xiàn)了重復(fù)，需要剔除這些重復(fù)的數(shù)據(jù)。本文采用合并表、學(xué)生信息過(guò)濾、篩選關(guān)鍵信息、統(tǒng)一數(shù)據(jù)類(lèi)型等方法對(duì)數(shù)據(jù)進(jìn)行清洗，并把清洗后的數(shù)據(jù)制成數(shù)據(jù)表的形式保存到數(shù)據(jù)庫(kù)中，以保證數(shù)據(jù)的一致性。

三、數(shù)據(jù)整合與建表

確定數(shù)據(jù)表的數(shù)據(jù)結(jié)構(gòu)是數(shù)據(jù)分析的首要任務(wù)，將所收集到的數(shù)據(jù)經(jīng)過(guò)整合后可分成以下幾類(lèi)：學(xué)生考勤數(shù)據(jù)、學(xué)生圖書(shū)館借閱數(shù)據(jù)、學(xué)生歷史成績(jī)數(shù)據(jù)以及學(xué)生部分信息數(shù)據(jù)。結(jié)合學(xué)生畫(huà)像的目標(biāo)，構(gòu)建學(xué)生信息結(jié)構(gòu)表、學(xué)生成績(jī)信息結(jié)構(gòu)表、學(xué)生缺勤信息結(jié)構(gòu)表、圖書(shū)借閱信息結(jié)構(gòu)表。如表1-4所示。

表1 學(xué)生信息結(jié)構(gòu)

表2 學(xué)生成績(jī)信息結(jié)構(gòu)

表3 學(xué)生缺勤信息結(jié)構(gòu)

表4 學(xué)生圖書(shū)借閱信息結(jié)構(gòu)

四、確立學(xué)生“畫(huà)像”指標(biāo)

通過(guò)分析現(xiàn)有數(shù)據(jù)特征和學(xué)生的學(xué)習(xí)行為來(lái)構(gòu)建學(xué)生的學(xué)習(xí)行為“畫(huà)像”的數(shù)據(jù)特征，為此，確定哪些行為可以用來(lái)構(gòu)建學(xué)生畫(huà)像是必要的。在本次數(shù)據(jù)中，學(xué)期缺勤次數(shù)、學(xué)期圖書(shū)借閱次數(shù)在很大程度上體現(xiàn)了一個(gè)學(xué)生對(duì)課堂老師授課內(nèi)容的重視和學(xué)習(xí)努力程度，而學(xué)期成績(jī)平均分則能直接客觀地體現(xiàn)出學(xué)生在本學(xué)期對(duì)所學(xué)內(nèi)容的掌握情況。因此，將學(xué)生考勤情況、學(xué)生圖書(shū)借閱情況以及學(xué)生成績(jī)等數(shù)據(jù)用來(lái)對(duì)學(xué)生的學(xué)習(xí)行為進(jìn)行畫(huà)像，并確定相應(yīng)的指標(biāo)，指標(biāo)細(xì)分如表5所示。

表5 相關(guān)學(xué)習(xí)行為的數(shù)據(jù)表征和取值范圍

五、聚類(lèi)分析

K-means算法[3]是一種應(yīng)用十分廣泛的聚類(lèi)算法，它的目標(biāo)是將n個(gè)數(shù)據(jù)點(diǎn)劃分到m個(gè)類(lèi)簇中，以距離作為數(shù)據(jù)對(duì)象間相似性度量的標(biāo)準(zhǔn)。在K-means算法中，需要預(yù)先設(shè)定k個(gè)初始質(zhì)心，由于K-means算法采取局部最優(yōu)，所以初始質(zhì)心的選擇直接關(guān)系到數(shù)據(jù)集中的最終聚類(lèi)效果。

不同屬性往往具有不同的量綱和量綱單位，之間的差別可能很大，如本次處理中的學(xué)生成績(jī)與學(xué)生缺勤次數(shù)。對(duì)這些差別較大的屬性值不進(jìn)行處理可能會(huì)影響數(shù)據(jù)分析的結(jié)果，在以距離為基礎(chǔ)的算法中，取值較大的屬性會(huì)起到主導(dǎo)作用。在進(jìn)行K-means聚類(lèi)前，要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除屬性間量綱與大小差距過(guò)大的影響，提高聚類(lèi)效果。

K-means算法計(jì)算高效，但是有一個(gè)缺點(diǎn)，就是要事先設(shè)定初始質(zhì)心的數(shù)量k，而k的選取直接關(guān)系到最終的聚類(lèi)效果，所以一般要經(jīng)過(guò)多重分析來(lái)確立k的值，但這在實(shí)際項(xiàng)目中是比較難以確定的，特別是在處理一個(gè)高緯度、難以進(jìn)行可視化數(shù)據(jù)的時(shí)候。本文根據(jù)聚類(lèi)模型內(nèi)部誤差平方和來(lái)確定聚類(lèi)模型的好壞。獲得簇內(nèi)部的誤差平方和?；谶@個(gè)屬性值，采用肘部方法[4]，對(duì)給定的任務(wù)估計(jì)出最優(yōu)簇的數(shù)量。算法如圖1所示。在算法中，n_jobs是并行的進(jìn)程數(shù)，n_clusters是初始的簇的個(gè)數(shù)。

圖1 “肘”算法

六、實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)數(shù)據(jù)的來(lái)源是某高校校園各部門(mén)所積累的歷史數(shù)據(jù)，由于之前的數(shù)據(jù)過(guò)于雜亂，在此收集了該校某系學(xué)生的2017年9月到2018年2月這段時(shí)間內(nèi)的學(xué)習(xí)、考勤數(shù)據(jù)與圖書(shū)借閱數(shù)據(jù)，總共35808條數(shù)據(jù)，將這些數(shù)據(jù)進(jìn)行整合后存放到數(shù)據(jù)庫(kù)中用以分析實(shí)驗(yàn)。本次實(shí)驗(yàn)選取學(xué)生“畫(huà)像”特征庫(kù)中部分重要指標(biāo)來(lái)建立學(xué)生行為模型，在此使用python等語(yǔ)言來(lái)編寫(xiě)相關(guān)的K-means代碼，進(jìn)行模型的構(gòu)建與分析，并將分析結(jié)果進(jìn)行可視化展示。

使用算法1處理結(jié)果如圖2所示。從圖3中可以知道聚類(lèi)數(shù)為4時(shí)的拐點(diǎn)最為明顯，也就意味著針對(duì)本次數(shù)據(jù)來(lái)說(shuō)，最優(yōu)簇的數(shù)量為4，一般而言，肘部方法所得出的結(jié)果并不是絕對(duì)的，還要結(jié)合對(duì)該數(shù)據(jù)的討論與設(shè)想才能得出較好的答案，在本次實(shí)驗(yàn)中，結(jié)合數(shù)據(jù)類(lèi)型等各個(gè)方面情況，最終確立了簇的數(shù)量為4。

圖2 誤差和聚類(lèi)數(shù)的關(guān)系

圖3 三個(gè)指標(biāo)構(gòu)成的聚類(lèi)圖

學(xué)生“畫(huà)像”特征搭建的時(shí)候選取三個(gè)指標(biāo)（借閱、考勤、成績(jī)），這三個(gè)指標(biāo)正好可以用三維的方式來(lái)進(jìn)行展示，并且效果是最好的，圖3是聚類(lèi)完成后的可視化三維視圖，從圖3中可以看出，在本次的聚類(lèi)中，各點(diǎn)分得較為均勻，聚類(lèi)效果較好。

圖4 聚類(lèi)雷達(dá)圖

圖4的聚類(lèi)雷達(dá)圖展現(xiàn)了本次聚類(lèi)后每個(gè)類(lèi)別的具體情況，在圖中可以看到，編號(hào)0的類(lèi)別屬于借閱次數(shù)較低、考勤率高、成績(jī)較為普通的學(xué)生；編號(hào)1的類(lèi)別屬于借閱次數(shù)較低、考勤率高、成績(jī)優(yōu)秀的學(xué)生；編號(hào)2的類(lèi)別屬于借閱次數(shù)高、考勤率高、成績(jī)優(yōu)秀的學(xué)生；編號(hào)3的類(lèi)別屬于借閱次數(shù)低、考勤率低、成績(jī)較差的學(xué)生。并由此得出表6，結(jié)合表6可以看到努力學(xué)習(xí)且學(xué)習(xí)成績(jī)較為優(yōu)異學(xué)生占到學(xué)生總數(shù)的65%，成績(jī)一般的學(xué)生也占到學(xué)生總數(shù)的33%，可以看出該校大部分學(xué)生學(xué)習(xí)還是比較刻苦的，只有極少數(shù)學(xué)生的努力程度不夠，努力程度不夠且成績(jī)較差的學(xué)生占學(xué)生總數(shù)的2%，對(duì)這方面的學(xué)生可以加以督促，以便提高他們的學(xué)習(xí)成績(jī)。

另外一個(gè)有意思的發(fā)現(xiàn)是平均借閱次數(shù)和平均成績(jī)的相關(guān)性不大，而且，第一類(lèi)學(xué)生借閱次數(shù)比第二類(lèi)學(xué)生借閱次數(shù)少很多，但成績(jī)還要高一些。似乎暗示圖書(shū)館的圖書(shū)借閱功能和學(xué)生學(xué)習(xí)成績(jī)沒(méi)有太大的相關(guān)性，而與考勤次數(shù)是息息相關(guān)的，可能需要更加細(xì)節(jié)的數(shù)據(jù)才能更好地分析圖書(shū)館學(xué)習(xí)資源是該如何被利用。

表6 每個(gè)類(lèi)別的具體情況

七、結(jié)束語(yǔ)

本文通過(guò)對(duì)校園學(xué)生數(shù)據(jù)的處理和聚類(lèi)分析，對(duì)學(xué)生行為進(jìn)行畫(huà)像，一方面是可以對(duì)學(xué)生進(jìn)行一個(gè)行為描述；另一方面可以通過(guò)模型反饋，了解學(xué)生指標(biāo)間的影響因素，得到學(xué)生的行為特征以及學(xué)生的初步畫(huà)像。目前，由于數(shù)據(jù)類(lèi)型較少，得到的學(xué)生行為特征還不夠詳細(xì)，僅在學(xué)生學(xué)習(xí)行為畫(huà)像上做了初步嘗試，如果想要更加全面地對(duì)學(xué)生行為進(jìn)行畫(huà)像，可以對(duì)學(xué)生的學(xué)習(xí)和生活各方面行為數(shù)據(jù)進(jìn)行補(bǔ)充，增加分析維度和分析內(nèi)容，從而能得到更加詳細(xì)的分析結(jié)果，為智慧校園的管理決策提供準(zhǔn)確、詳細(xì)的數(shù)據(jù)支持。