基于SPSS的高校学生一卡通数据实证分析

185
高校一卡通系统中存储了海量的学生行为数据，这些数据整体上是杂乱无章的，无法真实有效地映射学生的实际行为特征。

如能充分发掘这些数据背后的真正价值和意义，将会给高校的学生管理工作提供巨大的帮助。

目前，已有许多高校科研团队对高校一卡通数据展开了相关研究工作。

张四海等[1]对南开大学师生食堂的消费数据进行了深入分析，给出了师生的就餐规律曲线，用于优化食堂的膳食资源配置。

邢窈窈等[2]对学生校园卡刷卡行为进行分析，利用逐步回归法得出学生成绩排名的回归模型，提出提高学生成绩的实际举措；王祎珺等[3]对校园一卡通的图书馆学生学习行为进行详细分析,有效地获取了学生的学习行为现状。

本文使用SPSS软件中的K-Means算法对学生用餐数据进行聚类，对聚类后的不同群体做其他行为分析。

１ 淮南联合大学一卡通系统简介
淮南联合大学一卡通系统于2009年正式开通。

在图书馆、学校食堂、超市、洗浴中心、校园门禁等场所中均已投放使用，系统集成度高，完美地融合了信息通信技术[4]，实现了身份认证、数据共享、金融消费等多种功能[5]。

给全校学生每天的生活提供了极为便捷的服务，加速了数字化、信息化管理的进程，切实提高了学校的科学管理水平，一卡通系统已成为学校不可或缺的核心业务系统[6]。

２ 一卡通数据采集、预处理及建模
高校一卡通数据涵盖了学生在校内食堂、超市、洗浴消费场所及图书馆读书、借阅等相关记录，为便于对学生用餐行为数据进行聚类分析，需要对采集到的原始数据进行预处理，去除冗余及属性值无效或缺失的相关记录。

2.1 数据采集及导入
本文原始数据由淮南联合大学一卡通系统管理中心提供，所采集数据的真实及可靠性均能得到有效保证。

(注：有极少量的学生学习成绩相关数据来自于学校的学工系统)将采集到的一卡通数据文件ecexpressquery.DMP导入到Oracle 数据库中，具体操作如下：
(1)使用cmd命令打开命令提示符，输入sqlplus system/1211@orcl as sysdba;
命令，以管理员身份登录oracle数据库。

(2)创建表空间并指定其存储容量
创建一个表空间用于存放将要导入的ecexpressquery.DMP 文件，输入命令：
create tablespace ecexpress datafile 'C:\app\ Administrator \oradata\orcl\ecexpress.dbf' size 2048M;
(3)创建用户并指定默认表空间
创建一个用户用于管理将要导入的一卡通ecexpressquery.DMP文件，输入命令：
create user zhenghaipeng identified by 1211 default tablespace ecexpress;
(4)给创建的用户授权
输入命令： grant connect,resource,dba to zhenghaipeng; 授权zhenghaipenghp用户拥有连接、资源管理及管理员权限。

(5)将一卡通原始数据文件导入到Oracle数据库中
使用命令：imp zhenghaipeng/1211@orcl file= E:\一卡通数据\ecexpressquery.DMP full=y;
将ecexpressquery.DMP文件导入到Oracle数据库。

2.2 数据预处理
对导入的一卡通数据进行预处理，提取学生用户有效数据特征。

是对学生用户数据进行聚类分析的必要前提。

处理好这一环节至关重要，对后续研究的开展具有决定性作用，
收稿日期：２０２０－１１－３０
基金项目：安徽省重点自然科学基金项目　“　基于ＳＰＳＳ数据挖掘技术的高校一卡通子系统关联性分析研究——以淮南联合大学为例”（ＫＪ２０１９Ａ０９９８）；安徽省
质量工程项目“计算机动漫制作技术高水平团队”（２０１８ｊｘｔｄ１４８）　
作者简介：郑海鹏（１９８２—），女，黑龙江肇东人，讲师，硕士，主要从事软件开发、数据挖掘研究。

基于ＳＰＳＳ的高校学生一卡通数据实证分析
郑海鹏
(淮南联合大学 信息工程学院，安徽 淮南 232001)
收集淮南联合大学一卡通系统中的数据，使用软件采集２０１８级在校学生２０１８—２０１９学年度相关数据记录样本，利用费行为）、洗浴次数（个人卫生习性）、图书馆阅读次数及学习成绩排名占比（学习行为），研究表明：学生的用餐行为对学生的学习行为影响较为显著，说明用餐习惯与学习习惯相互关联；用餐行为对学生个人卫生习性影响并不大；用餐次数与超市次数成反比。

关键词：高校一卡通；ＳＰＳＳ；ｋ－ｍｅａｎｓ聚类算法
中图分类号：ＴＰ３１１ 文献标志码：Ａ 文章编号：１６７４－９４９９（２０２１）０１－０１８５－０４
186
(1)使用Oracle数据库应用程序开发工具SQL Developer创建一个新的连接，连接名设置为“一卡通数据预处理”，使用用户zhenghaipeng、密码：1211进行连接登录，查看每个表的表结构及表中的记录，发现其中TTNSMFLWING表为所有一卡通用户的消费流水数据，共5 130 879条记录，如图1所示。

图１ 一卡通消费流水数据表
(2)数据清洗。

消费流水数据表中包含了学校行政管理人员、专任教师及学生等一卡通用户的相关数据。

选取用户卡号在2000043243—2000046280之间的用户数据(这些卡号为2018级在校学生的校园一卡通卡号)，创建Student_water数据表，获取2018级在校学生在2018—2019学年度的全年消费流水记录，表记录数由原来的513万条数据缩减至170万条，保留accid、amount、instime、trdid四个有效字段分别代表：用户卡号、用户单笔消费金额、用户刷卡消费的日期和具体时间、用户消费终端pose机id，其中pose机id表示对应的刷卡场所。

(3)数据分类。

依据Student_water表中trdid字段对学生数据进行分类，打开TBASMIRADE表，查看trd_id字段，找出代表食堂、超市、洗浴、图书馆等场所的trd_id的相关字段值，分别创建食堂消费、超市消费、洗浴消费、图书馆阅读等数据表，存储学生相关数据记录。

用以区分学生刷卡记录的不同场所。

由于学生食堂消费表Canteen_water中包含了学生的三餐记录，需要进一步细化，将学生的就餐时间分为6:00—8:30、11:00—13:30、17:00—19:30等三个时段。

用于区分学生早餐、午餐、晚餐消费记录。

最终生成了Breakfast_water、Lunch_water、Dinner_water、supermarket_water、Wash_water、Library_water六个数据表。

(4)数据整合。

上述操作完成后，需要对Breakfast_water 等六个表的数据进行整合，比如：同一天学生早餐食堂刷卡记录可能有多次，但统计时只算一次早餐用餐行为。

需要创建新表将Breakfast_water数据表中的卡号和日期相同的多条记录合并为一条记录，在合并的过程中需要将amount字段值(刷卡金额)进行累加，用于统计学生每次早餐消费总金额。

在创建Breakfast_amount表后，所有学生的每日早餐用餐总金额已经确定，根据Breakfast_amount表中相同的accid 字段值(学生卡号)出现的次数，来统计每位学生年度的早餐次数及年度早餐总额。

经过一系列的数据整合后生成了Breakfast_times_amount、Lunch_times_amount、Dinner_times_amount、Supermarket_times_amount、Wash_times_amount 、Library_times六个数据表。

对整合后的六个表进行合并操作
实例如式1所示，然后再依次合并其他表，在此不再累述)。

create table b_l_times_amount as select Breakfast_times_amount.*,
Lunch_amount
from Breakfast_times_amount full join accid;(式1)
费总额、午餐次数、午餐消费总额、晚餐次数、晚餐消费总额、超市次数、超市消费总额、洗浴次数、洗浴消费总额、图书馆阅读次数共十一个字段。

祛除student表中字段值缺失值及无效记录，得到了2 259条有效记录，即采集2 259名2018级学生的相关数据作为研究对象，并从学校学工系统中采集了上述2 259名学生2018—2019学年度期末考试成绩数据信息，依据学生的成绩排名，利用公式：学生成绩排名/班级总人数，得到学生成绩在班级的所处位置，(如该班级30人，学生成绩排名第5，则该学生成绩排名占比为16.66%，将成绩的占比划分为：前20%、21%—40%、41%—70%、71%—100%计做：1、2、3、4等四个等级，其中等级为1代表成绩优秀)，最后依据student表中的trdid对应成绩占比表中的trdid字段将成绩占比表中的等级字段并入student表中，student表的相关信息，如图2所示。

图２ ｓｔｕｄｅｎｔ数据表记录截图及记录总数
2.3 数据建模
为便于数据处理，将Student表从Oracle数据库中导出，转换为同名的excel文件。

将之存放到数据仓库中，对数据仓库中的数据集进行建模，采用SPSS软件中的K-Means算法进行聚类。

并对聚类结果加以详细分析。

整体过程如图3所示。

图３ 数据建模
３ 数据分析
3.1 学生一卡通数据整体情况3.1.1 学生各项消费数据占比
依据2018级所有学生年度用餐的总额、超市消费总额、
187
的消费总额的80%左右用于三餐消费、超市消费和洗浴消费较为接近，两项消费占比约20%。

一二节课上课时间为8:00，中午11:40放学、每天晚7点学生需要按照学校规定到固定教室上晚自习。

故在工作日期间学生三餐的用餐高峰期的三个时段分布较为合理；节假日期间三餐用餐高峰期分别为：7:30—8:00、11:30—12:00、18:30—19:00，主要原因归结为：周末学生早晨有充分休息的意愿，且周末没有晚自习、故节假日早、晚餐用餐高峰期滞后一个时段。

相同时段工作日与节假日平均刷卡频次相差不大，主要因为学校新校区所在位置相对比较偏僻，周围餐馆离学校距离较食堂偏远，故节假日学生也大部分选择在食堂就餐。

学生可以依据自己的作息时间合理地避开用餐高峰期。

图　４ 学生各项消费数据占比 图　５ 三餐不同时段刷卡频次3.2 学生一卡通数据K-means聚类分析
3.2.1 利用Python程序实现手肘法，确定K-Means聚类中心最优个数K值
(1)手肘法原理：随着聚类中心个数K值的增加，聚类划分会更加详细，每个聚类中心的聚合程度会逐步提高，那么误差平方和SSE则会逐渐减小。

当K小于实际聚类个数时，随着K值的增大会大幅度加快聚类中心的聚合程度，加速误差平方和SSE的下降幅度，一旦K达到实际聚类数时，再次增加K所得到的聚合程度回报会急剧变小，SSE的下降趋势骤减，继而趋于平缓，即SSE和K的关系呈手肘状，手肘位置的K值为最佳。

(2)手肘法Python语言实现：(SSE和K的关系如图6所示：即K=4为最佳)
import pandas as pd
from sklearn.cluster import KMeans import matplotlib.pyplot as plt
Student_data = pd.read_excel(r'E:\学生一卡通数据\student.xlsx') # 读入数据
SSE = [] # 存放每次结果的误差平方和for K in range(1,8): # K值取值范围为1-8
estimator = KMeans(n_clusters=k) # 构造聚类器
estimator.fit(Student_data [['早餐次数','午餐次数', '晚餐次
SSE.append(estimator.inertia_)X = range(1,8)
plt.xlabel('K') # X轴坐标为：K值plt.ylabel('SSE') # Y轴坐标为：SSE plt.plot(X,SSE,'o-')
plt.show() # 数据可视化，显示K与SSE的关系图3.2.2 K-Means聚类分析
打开SPSS17软件，导入student.xlsx文件，点击菜单“分析”-->“分类”--> “K-均值聚类(k)”,弹出“K均值聚类分析”对话框，将学生的早餐次数、午餐次数、晚餐次数三个选项导入到“变量”一栏中，在聚类数(U)的文本框内输入数值4，迭代次数设置为100，对数据进行聚类分析，最终经过聚类获取了4类学生个体的案例数，选择对聚类贡献最大的两个变量早餐次数和午餐次数做散点图，如图7：Y轴代表早餐，X轴代表午餐(数据经Z-Score 标准化处理)。

通过散点图可以发现聚类效果较好，表明了本研究的有效性。

图６ Ｋ与ＳＳＥ关系图 图７ 散点图3.2.3 学生群体行为分析
依据上述聚类结果，统计各类学生群体的相关指标的总和、均值，做图比较各类学生群体的各种行为规律和差异。

(1)学生群体不同场所消费占比，如图8所示。

第一、第二、第三类学生群体的三餐消费分别占总体消费的87%、80%、82%，其余消费占13%、20%、18%。

说明这三类学生食堂就餐相对较为规律，第四类学生群体超市消费占比46%比三餐消费占44%还要多，说明此类群体用餐习惯不规律，推测用餐习惯偏向于外卖。

对比图10和图6发现：图6中整体学生用餐消费占比81%，和前三类群体就餐占比的87%、80%、82%差距甚微，而第四类群体用餐占比仅占46%，间接说明第四类群体的案例数相对较少，并没有在较大程度上影响学生整体的用餐占比。

四类学生群体的洗浴占比仅第二类超过了10%，说明个人卫生消费在整个群体的消费中不是主要支出。

图８ 各类学生群体不同场所消费占比
(2)学生群体用餐行为分析，如图9(下页)所示
第一类学生群体。

早餐、午餐、晚餐次数均为最多，均高于其他三类群体。

说明第一类学生群体用餐习惯较好，拥
有良好的生活作息时间，早晨不懒床，能够按时吃三餐，自
188
Ａｎ　Ｅｍｐｉｒｉｃａｌ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｓｍａｒｔ　Ｃａｒｄ　Ｄａｔａ　ｏｆ　Ｃｏｌｌｅｇｅ　Ｓｔｕｄｅｎｔｓ　Ｂａｓｅｄ　ｏｎ　ＳＰＳＳ
Zheng Haipeng
(School of Information Engineering, Huainan Union University, Huainan 232001, China)
Abstract: The paper collects the data in the smart card system of Huainan Union University, records the sample data of 2018 students in 2018-2019 school year, analyzes their annual three meals (eating behavior) by using k-means algorithm in SPSS software, analyzes their other behaviors after grouping students, including the number of going to supermarkets (the consumption behavior), the number of taking bathing (personal hygiene habits), the number of reading in the library and the proportion of academic performance ranking (learning behaviors). The results show that students’ eating behaviors have a significant impact on their learning behaviors, their eating habits and learning habits are interrelated, their eating behavior has little impact on their personal hygiene habits, and the number of meals is inversely proportional to the number of supermarkets.
Key words: university smart card; SPSS; K-means clustering algorithm
［责任编辑：师清芳］
第二类学生群体。

晚餐次数较第一类学生群体差距巨大，主要原因在于学校下午放学时间在4点15左右，到7点上晚自习之间时间比较充沛，此类学生可以自主安排晚餐，而早餐、午餐次数与第一类相比差距不太大，表明这类学生群体有一定的自我约束能力，能够在大部分时间克制自己的惰性，维持较好的生活习性，有一定的自控力。

第三类学生群体。

午餐、晚餐次数较前两类有一定差距，不是特别大，而早餐次数较前两类差距较大，说明该群体不喜欢早起吃早饭，有懒床的可能性。

即使晚餐时间宽裕也选择在食堂就餐。

因此，推测此类学生群体自控力较差、惰性较大，生活习惯需要进一步改善(第三类群体和第二类群体虽有两餐相对而言较为正常，但一定要区分其产生的本质原因，差异对待)。

第四类学生群体。

三餐次数与前三类学生群体相比，差距一目了然，几乎很少或不去食堂吃饭，推测此类学生群体用餐倾向于外卖，自身的生活处于游离状态，与现实的校园生活相违背，生活轨迹已然发生了弯曲，此类学生群体自控力极差，生活萎靡、惰性十足。

(3)学生群体其他行为分析，如图10所示第一类学生群体。

洗浴、图书馆次数相比其他三类群体均为最多，说明此类群体爱学习并注重个人卫生，超市次数相对较少，说明生活较节俭。

第二类学生群体。

超市次数最少，说明比较节俭，洗
注意个人卫生。

表明了该类学生与第一类学生有许多相似之处，有成为第一类群体的潜力。

太爱学习，与前两类学生群体有本质上的差异。

图书馆看书。

说明此类学生厌倦或讨厌学习。

(4)学生用餐行为与其他行为关联性分析
依据四类学生群体学习成绩等级为优秀的人次，统计每类群体的优秀率，研究表明：第一、二、三、四类学生群体的优秀率为分别为78.17%、54.52%、26.89%及5.73%。

验证了学生用餐行为与学习行为之间存在明显的关联性。

良好的用餐行为从侧面反映了学生自身良好的自律性，这种自律可以延伸扩展到学生的其他行为中，因此，拥有良好用餐行为的学生学习优秀率也非常高；四类学生群体个人卫生习惯均较好，说明用餐行为与个人卫生习性不具有关联性。

参考文献：
[1]张四海,李珊珊.校园一卡通消费行为数据分析与研究——以南开大学为例[J].才智,2019,1(33).
[2]邢窈窈,唐丽,郭磊.基于校园一卡通数据的成绩排名预测方法研究[J].管理信息化,2018(9).
[3]王祎珺,高俊平,陈晓军.基于校园一卡通的图书馆学生学习行为分析[J].数字技术与应用,2014,4(6).
[4]李淑娟,周伟强,宓詠.如何实现校园一卡通高效的运行管理探索[J].实验技术与管理,2011,28(6);张九娟.校园“一卡通”在学校管理中的应用研究[J].高校后勤研究,2014(2)．
[5]黄荣怀,等.智慧校园.数字校园发展的必然趋势[J].开放教育研究,2012(4).[6]刘志宏,喻晓旭.基于数据挖掘的校园一卡通消费行为分析[J].信息·技术信
息记录材料,2018,12(19).
图９　用餐行为次数统计　图１０　其他行为次数统计　Ｏｎ　Ｓｙｍｂｏｌｉｓｍ　Ａｒｔ　ｉｎ　ｔｈｅ　Ｒｕｓｓｉａｎ　Ｓｉｌｖｅｒ　Ａｇｅ
Dai Chuang
(School of Philosophy, St. Petersburg State University, St. Petersburg 199034, Russia)
Abstract: The Russian Silver Age is an era of cultural transformation at the turn of the century. Under this cultural background, the traditional culture in Russia loses its central position and manifests the characteristics of modern culture; Russian art also experiences a transformation from tradition to modernity. In this transformation process, symbolism came first as an artistic genre, then new aesthetic concepts emerge. The changes break through the traditional rules of artistic creation and pave the way for the emergence of Russian avant-garde art. Symbolism, the first school of Russian modernist art, experiences the first transformation stage of Russian modern art. Compared with traditional art, modernism pays more attention to the constituent elements of art itself. To this end, the emergence of symbolism art is not only the inheritance of the national art tradition, but also the response to the Times.
Key words: symbolism; Russian art; the Silver Age; modern art
［责任编辑：师清芳］
（上接第１８２页）。