漫跑数据 · 可视化操作手册

本手册只记录可视化层：从数据库长表 → Tableau Prep 流程 → .hyper 提取 → .twb 工作簿。数据入库、建表、每周同步数据库的部分见 ../漫跑数据入库/数据库操作手册.md，本手册不重复。

所有描述都来自对现存文件的静态解析与独立复算。凡写"实测"的，都是把源数据重新算过一遍、结果与文件内数值对齐的。

本手册写作期间（2026-10-17），漫跑数据分析.twb 被另存过一次（450919 → 308235 字节）。第四章以后的内容以改动后的文件为准；早期版本的痕迹只在问题清单里作为历史说明保留。

一条贯穿全文的原则：筛选器决定"看哪一段"，不决定"系统是什么"。换周期只改筛选器的区间，图表结构不用动。所以本手册讲筛选器时，只讲它作用在什么字段、以什么顺序生效、影响哪些表，不评价具体区间选得对不对。

〇、先看这张图：可视化链路

                       ┌──────────────────────────────────────────┐
                       │  MySQL  漫跑库.漫跑记录                  │
                       │  宽表：689 行 × 35 列                    │
                       │  学号 / 姓名 / 班级 + 16 天 × (开始,结束)│
                       └───────────────────┬──────────────────────┘
                                           │ Prep「漫跑记录」LoadSql
                                           ▼
   ┌──────────────────────────────────────────────────────────────────────┐
   │  Tableau Prep 流程：漫跑数据分析-v2.tfl                              │
   │                                                                      │
   │  主链：读库 → 清理1 → 转置-开始 ┐                                    │
   │                    └ 转置-结束 ┴→ 清理2/3 → 联接1 → 清理终 → 并集1 ─┐│
   │  旁链：旧格式-高一.csv → 转置5 → 清理旧 ────────────────────────────┴┤│
   │                                                                      ││
   └──────────────────────────────────────────────────────────────────────┘│
                                                                            ▼
                       ┌──────────────────────────────────────────┐
                       │  漫跑数据分析-2026R3.hyper                │
                       │  长表：13091 行 × 10 列                   │
                       │  日期 / 打卡状态 / 开始 / 结束 / 持续时间  │
                       └───────────────────┬──────────────────────┘
                                           │ .twb 数据源连接（hyper）
                                           ▼
                       ┌──────────────────────────────────────────┐
                       │  漫跑数据分析.twb                        │
                       │  6 张工作表 + 1 个空仪表板                │
                       └──────────────────────────────────────────┘

四段产物，职责分明：

环节	文件	内容	谁改
源	`漫跑数据分析.xlsx`	689 人 × 16 天宽表，人工维护	每周覆盖
库	MySQL `漫跑库.漫跑记录`	同上，35 列	`04_导入更新.py`
流程	`漫跑数据分析-v2.tfl`	13 个节点，转置 + 连接 + 并集	结构变更时才动
提取	`漫跑数据分析-2026R3.hyper`	长表 13091 行，Tableau 直接读	每次跑流程重生成
分析	`漫跑数据分析.twb`	字段、计算、图表	改图时动

长表的意义：宽表一人一行，日期藏在列名里；长表一天一条，日期 变成真正的字段，才能拖时间轴、算连续天数、做趋势。转置那一步就是把"列名里的日期"变成"行里的值"。

一、数据源现状（先对齐口径，否则后面所有图都会误读）

1.1 规模

项	值	来源
班级 sheet	16（另有 1 个「示例」空表头）	`漫跑数据分析.xlsx`
学生	689 人	去重后的学号数
日期列	32 列 = 16 天 × (开始,结束)	表头
日期	16 天：9 月 10 天 + 10 月 6 天	表头
库内列数	35 = 学号/姓名/班级 + 32	`SHOW COLUMNS`
长表行数	13091	Hyper `nullCounts` 反推
长表列数	10	Hyper 元数据

1.2 16 个跑步日与当天实际记录数

下表的"完整打卡"是 Excel 口径（开始、结束都非空）：

#	日期	星期	完整打卡	库内	备注
1	2026/09/10	四	180	180	全期最高，开学首日
2	2026/09/14	一	143	143
3	2026/09/15	二	131	131
4	2026/09/16	三	129	129
5	2026/09/17	四	137	137
6	2026/09/20	日	148	148	周日，疑为调休上课
7	2026/09/21	一	131	131
8	2026/09/22	二	122	122
9	2026/09/23	三	127	127
10	2026/09/28	一	108	108	9 月末
11	2026/10/08	四	0	0	两边都空
12	2026/10/09	五	0	0	两边都空
13	2026/10/12	一	0	0	两边都空
14	2026/10/13	二	57	0	Excel 有、库里没有
15	2026/10/14	三	85	85
16	2026/10/15	四	75	75
	合计		1573	1516	差 57，全部来自 10/13

两条关键结论：

真正全空的是 10/08、10/09、10/12（3 天），不是 4 天。 10/13 在 Excel 里有 57 条完整记录。
数据库落后于 Excel：10/13 那 57 条全部没有进库。而 Prep 是从库里读的（LoadSql），所以 Hyper 只有 1516 条 —— 可视化链条看不到这 57 条。

任何"按天平均""出勤率"的计算，分母都不能直接用 16。

1.3 打卡记录数（分三个口径）

口径	Excel	数据库	Hyper
开始 + 结束都齐全	1573	1516	1516
只有开始	5	6	5
只有结束	3	3	3
负时长	0	0	0
有任意值的记录	1578	1522	1521

两处不一致：

完整记录差 57：全部来自 10/13（Excel 有、库没有）。
只有开始差 1：库里 260001 在 10/15 有一条只有开始的记录，Excel 该格为空。这条在 Hyper 里没有出现（Hyper 开始时间 非空 1521 = 1516 + 5），说明它是在 Hyper 生成之后才进库的。

Hyper 的 持续时间 非空数 = 1516，与数据库一致、比 Excel 少 57。 手册后续凡涉及"长表/工作簿"的数字，一律以 1516 为准；涉及"源数据全貌"的，用 1573。

1.4 覆盖情况

689 人中 256 人有过任意一条记录（37.2%），其中 254 人至少有一次完整打卡（另 2 人只有半截记录：学生A、学生B）。其余 433 人全期空白。
各班"有任意记录"人数（分母为班级人数）：

班级	有记录	班级	有记录
高一 1 班	25 / 37	高一 9 班	19 / 43
高一 2 班	13 / 44	高一 10 班	17 / 42
高一 3 班	22 / 46	高一 11 班	19 / 44
高一 4 班	24 / 46	高一 12 班	8 / 43
高一 5 班	15 / 40	高一 13 班	16 / 44
高一 6 班	15 / 44	高一 14 班	19 / 44
高一 7 班	6 / 41	高一 15 班	12 / 44
高一 8 班	20 / 43	高一 16 班	6 / 44

（班级列合计 256，与总人数一致。）

1.5 时间字段的口径

开始时间 取值 13 ~ 55，结束时间 取值 19 ~ 60。

这不是"几点几分"的绝对时刻，而是某个整点小时内的分钟偏移：

证据	数值
`开始时间` 最小值	13（无 0–12）
`开始时间` 最大值	55（无 60）
`结束时间` 最大值	60（恰好 3 条）
`结束时间` > 60	0 条
`开始时间` 分布峰值	21（163 条）、25（144 条）、23（127 条）
`结束时间` 分布峰值	30（112 条）、28（98 条）、31（97 条）
`开始时间` 不同取值	42 个
`结束时间` 不同取值	41 个

若是绝对时刻（0–23 时），不可能：整期没有 0–12 点、没有 13 时以前的记录，也不会出现 60。若是"从某起点计的分钟数"，则不应有 60 这个硬上界。 60 恰好是分钟的周期上界，且只有结束侧触及——这几乎只能是"某小时内第几分钟"。

因此：持续时间 = 结束时间 - 开始时间 只在同一小时内成立。跨小时的记录（例如开始 55、结束 5）会被算成 5 - 55 = -50。本数据集实测无负值，说明源数据在录入时已按同小时处理，但这个前提没有写进任何计算字段，也没有写进流程注释。

仍有未知：不知道是哪一小时（早读前？课间？放学前？）。若需还原真实时刻，必须知道该小时的起点，而数据里没有这个字段。

1.6 用时分布（实测）

以 Excel 全量（1573 条完整记录）计算：

指标	值
最小	1
最大	35
均值	8.55
中位数	7
不同取值	33
众数（前五）	5（323 条）、6（287 条）、7（268 条）、8（165 条）、9（91 条）

1573 条里，用时 5–9 的占 1134 条（72.1%）。

若只统计库内/Hyper 的 1516 条（少了 10/13 的 57 条），均值与中位数差异可忽略，但口径要对齐。

1.7 "全勤"与"打卡天数"（最容易出错的地方）

"全勤"在这个数据集里有 四种互不相等的算法，混用会出错：

口径	判定	实测人数
A. 9 月 10 天全勤	10 个 9 月日期都有完整记录	57
B. 13 天全勤（旧 3 + 9 月 10）	旧 3 天有值且 9 月 10 天完整	46
C. 13 个有记录日全勤（Excel）	除 3 个全空日外，13 天全部完整	0
D. 19 天全勤（旧 3 + 主链 16）	含 3 个全空日	0

工作簿里 周期内是否全勤？ 用的是 {FIXED [班级],[姓名] : MIN(...)} = 1，它会随全局日期筛选器的区间变化：区间设成哪一段，"全勤"就是"哪一段里零缺勤"。若区间覆盖旧 3 天 + 9 月 10 天，即上表的 B（46 人）。

"打卡天数"则有两个维度交叉，必须同时说清：

维度	取值
时间范围	13 天（旧 3 + 9 月 10） / 19 天（旧 3 + 主链 16）
打卡判定	开始且结束（当前流程与工作簿统一口径） / 开始或结束（早期口径）

四种组合的人数分布（Excel 全量）：

范围	判定	0 天	10–13 天	≥14 天	≥10 天	最大值
13 天	且	400	96	0	96	13
13 天	或	398	96	0	96	13
19 天	且	386	59	48	107	16
19 天	或	384	59	48	107	16

若按库内（缺 10/13 的 57 条）计算 19 天口径，人数会再少一些。

上表的用法：先确定"看哪段时间"（13 天还是 19 天），再确定"怎样算一次打卡"（且还是或）。两个维度选错，人数就会差几十人。

例如同样是"19 天、且"：

≥10 天 有 107 人
其中只有 59 人落在 10–13 天，另 48 人 ≥14 天

所以"排行里显示多少人"完全取决于筛选器上界设在哪，不能跨口径比较。

二、Tableau Prep 流程详解（`漫跑数据分析-v2.tfl`）

.tfl 是一个 zip 包，内含 5 个条目：

条目	大小	作用
`flow`	36571 B	节点与连接定义（JSON）
`displaySettings`	9124 B	画布坐标
`maestroMetadata`	11960 B	版本与特性声明
`flowGraphImage.png`	31917 B	流程截图
`flowGraphThumbnail.svg`	2697 B	缩略图

流程版本 majorVersion=1, minorVersion=4，documentId=0343c2da-b31b-4242-bd89-577ef469883e。

2.1 两个输入源

输入 A：漫跑记录（LoadSql） — 主链

项	值
节点类型	`.#########`
connectionId	`#########`
连接名	`##########`
class	`mysql`
server / port / dbname	`#######` / `#########` / `###########`
username	`#############`
字段数	23（当时的列数，现已扩到 35）

注意：流程里记录的字段是 23 列，而库里现在是 35 列。 Prep 的 LoadSql 会在每次运行时重新探测列，所以新列能被带上；但流程节点的 fields 列表是保存时的快照，不随库变化。

输入 B：旧格式-高一（LoadCsv） — 旁链

项	值
节点类型	`.v1.LoadCsv`
文件	`~/Desktop/漫跑记录分析/old/子sheets/outputs/旧格式-高一.csv`
编码	UTF-8，逗号分隔，含表头
字段	班级、姓名、学号、2026-09-07、2026-09-08、2026-09-09
行数	689

这是 9 月 7/8/9 三天的旧数据，值只有 1 或空（打卡布尔），共 513 个 1。

2.2 主链逐节点

按数据流向顺序，共 8 个节点：

① `漫跑记录`（输入）

读 漫跑库.漫跑记录，23 列（保存时）。

② `清理 1`（容器，1 个节点）

节点	类型	配置
筛选器	`.v1.FilterOperation`	`NOT ISNULL([姓名])`

作用：丢掉没有姓名的行。库里有 689 行，此处应全部保留。

③ `转置 - 开始`（SuperUnpivotExtended）

把「列名里带『开始』的列」转成行。

json

unpivotColumns: [{
  unpivotColumnName: "开始",
  columnInformation: {
    bindingsType: "wildcard",
    wildcardType: "Contains",
    wildcardExpression: "开始"
  }
}]
literalColumnName: "转置 1 名称"

bindingsType: wildcard + Contains "开始" → 新增的 …开始 列会自动进入转置，不用改流程。这是全流程最关键的设计。
产出：转置 1 名称（原列名，如 2026/09/10开始）+ 开始（值）。

④ `转置 - 结束`（SuperUnpivotExtended）

同上，Contains "结束"，产出 转置 1 名称 + 结束。

③④ 并行，都以 ② 的输出为输入。

⑤ `清理 2`（容器，3 个节点）

顺序	节点	配置
1	只保留开始 + 另外 4 个	保留 `开始`, `转置 1 名称`, `学号`, `姓名`, `班级`
2	Add 日期	`DATE(LEFT([转置 1 名称],FIND([转置 1 名称],"开始")-1))`
3	将开始重命名为开始时间	`开始` → `开始时间`

日期提取逻辑：FIND("开始") 定位到"开始"二字的起始位置，取它之前的全部字符，再用 DATE() 转日期。对 2026/09/10开始，LEFT(...,FIND-1) = 2026/09/10。

⑥ `清理 3`（容器，3 个节点）

同 ⑤，处理 结束：保留 结束/转置 1 名称/学号/姓名/班级，FIND("结束") 提日期，结束 → 结束时间。

⑦ `联接 1`（SuperJoin）

四键全外联接：

json

conditions: [
  {left: "[姓名]", right: "[姓名]", comparator: "=="},
  {left: "[班级]", right: "[班级]", comparator: "=="},
  {left: "[学号]", right: "[学号]", comparator: "=="},
  {left: "[日期]", right: "[日期]", comparator: "=="}
],
joinType: "full"

左 = 清理2（开始侧），右 = 清理3（结束侧）
full = 全外：只有开始或只有结束的记录也保留（对应 1.3 节的 5 条 + 3 条）
联接后自动移除 日期-1、学号-1、姓名-1、班级-1 四个重名列

这里用姓名而非仅学号做键，是本工作簿的一个隐患：689 人里 260001（高一12班）与 260002（高一15班）同名，靠班级+学号区分才安全。当前四键组合没有产生错误，但多余的条件一旦有一个字段格式漂移（如班级空格），联接就会断。

⑧ `清理终`（容器，2 个节点）

顺序	节点	公式
1	Add 打卡状态	`IF NOT ISNULL([开始时间]) AND NOT ISNULL([结束时间])` `THEN TRUE ELSE FALSE END`
2	Add 持续时间	`IF NOT ISNULL([开始时间]) AND NOT ISNULL([结束时间])` `THEN [结束时间] - [开始时间]` `ELSE NULL END`

口径定义在这里，不在 Tableau 里：

打卡状态 = TRUE 要求开始、结束都非空；
只有一边的记录 → 打卡状态 = FALSE、持续时间 = NULL。

所以 1.3 节那 8 条半截记录，在长表里是 FALSE + NULL，不会污染用时统计。

⑨ `并集 1`（SuperUnion）

把两条链按列名并起来，namespaceFieldMappings 均为空（同名自动对齐）。并集后移除 Table Names、转置 1 名称（但保留了 转置 1 名称-1，见 3.3）。

主链：16 个日期列 × 689 人 → 11024 行（含 3 个全空日）
旁链：3 天 × 689 人 → 2067 行
合计 13091 行 ✔ 与 Hyper 元数据一致

⑩ `输出`（WriteToHyper）

json

hyperOutputFile: "~/Desktop/漫跑记录分析/漫跑数据分析-2026R3.hyper"
tdsOutput:       "~/Desktop/漫跑记录分析/漫跑数据分析-2026R3.tds"

2026R3.tds 当前不存在（只有 hyper 落盘）。

2.3 旁链逐节点

① `旧格式-高一`（LoadCsv）

见 2.1 输入 B。

② `转置 5`（SuperUnpivotExtended）

与主链不同，这里用的是字面量列表而非通配符：

json

literalColumn: {
  literals: ["2026-09-07","2026-09-08","2026-09-09"],
  literalColumnName: "转置 1 名称",
  names: ["2026-09-07","2026-09-08","2026-09-09"]
}
unpivotColumns: [{unpivotColumnName: "转置1值", manualBindings: [同上三列]}]

转置前有个注解动作：学号 改为字符串（ChangeColumnType），以便与主链的 学号（也是字符串）对齐。

③ `清理旧`（容器，5 个节点）

顺序	节点	配置
1	将转置1值重命名为打卡状态	`转置1值` → `打卡状态`
2	将打卡状态重命名为打卡状态-old	`打卡状态` → `打卡状态-old`
3	Add 日期	`DATEPARSE("yyyy-MM-dd",[转置 1 名称])`
4	将打卡日期更改为日期	`日期` 类型 → date
5	Add 打卡状态	`IFNULL([打卡状态-old] = 1, FALSE)`

命名有点绕：先把"值"叫成 打卡状态，再改名为 打卡状态-old，最后重新算一个布尔 打卡状态。

DATEPARSE("yyyy-MM-dd", ...) 对应旁链列名格式（短横线），而主链用 DATE(LEFT(...)) 是因为主链列名是 2026/09/10开始（斜杠+后缀）。 两条链的日期解析方式不同，不能互相套用。

2.4 流程的 9 个节点级属性

流程给 9 个节点都挂了 PrimaryKey = 学号（.v2019_1_3.PrimaryKey）：

清理 1、清理 2、清理 3、清理终、清理旧、联接 1、并集 1、漫跑记录、转置 - 结束

这是流程内的主键声明，用于行级追踪，不影响输出列结构。

2.5 一句话总结流程

把宽表按「开始」「结束」两个通配符各转一次 → 各自从列名里抠出日期 → 用四键全外联接拼回一行一天 → 算时长和打卡状态 → 再并上 9 月 7–9 的旧布尔数据 → 写长表。

三、Hyper 提取（`漫跑数据分析-2026R3.hyper`）

3.1 文件与规模

项	值
大小	131072 B（128 KB）
标识	文件头 `Hyper` + 版本字节
压缩	lz4
关系名	`Extract`（namespace `Extract`）
列数	10
行数	13091

3.2 十列与非空计数

Hyper 元数据里 nullCounts 直接给出每列空值数，行数 13091 减一下就是非空数：

列	类型	空值数	非空数
`日期`	Date	0	13091
`打卡状态`	Bool	0	13091
`持续时间`	BigInt	11575	1516
`打卡状态-old`	BigInt	12578	513
`转置 1 名称-1`	Varchar	2067	11024
`开始时间`	BigInt	11570	1521
`结束时间`	BigInt	11572	1519
`班级`	Varchar	0	13091
`姓名`	Varchar	0	13091
`学号`	Varchar	0	13091

交叉验证：

持续时间 非空 = 1516 = 1.3 节"完整打卡"数 ✔
开始时间 非空 = 1521 = 1516 + 5（只有开始）✔
结束时间 非空 = 1519 = 1516 + 3（只有结束）✔
打卡状态-old 非空 = 513 = 旁链 CSV 里 1 的个数 ✔
转置 1 名称-1 非空 = 11024 = 主链行数 ✔

这五个等式成立，说明 Hyper 与源数据完全对得上，本手册后续所有数字都可放心引用。

3.3 一个容易踩的坑：`转置 1 名称-1`

并集的两个输入，列名并不一致：

主链：联接后同时存在 转置 1 名称（左=开始侧）和 转置 1 名称-1（右=结束侧）；并集前只移除了 转置 1 名称，转置 1 名称-1 被保留下来。
旁链：只有 转置 1 名称（值形如 2026-09-07），并集时与主链同名不匹配，未进入结果。

所以最终 Hyper 里：

列	非空行数	属于哪条链	值形如
`转置 1 名称-1`	11024	主链（689 × 16）	`2026/09/10结束`（据联接右侧推导）
（空）	2067	旁链（689 × 3）	—

-1 来自联接：右表（清理 3 / 结束侧）的同名列被自动加后缀。其值形如 2026/09/10结束 是从流程结构推导的（Hyper 内容经 lz4 压缩，未能直接读取字面值）；但"11024 条非空、恰好等于主链行数"是 nullCounts 直接给出的。

结论与直觉相反：这个字段有值的是主链，空的才是旁链。它记录的是每次打卡的"结束侧原始列名"，对分析没有直接价值，但拖进视图会让人误以为"这个字段只有一部分行有数据"。真正想区分两条链，应看 打卡状态-old（只有旁链有值，513 条）。

3.4 长表与宽表的行数换算

13091 = 689 × 16（主链：宽表 16 个日期列全部展开）
      + 689 × 3 （旁链 9/7、9/8、9/9）

关键：转置是逐列展开，空列也产生行。主链 16 天 × 689 = 11024 行，其中 10/08、10/09、10/12 这 3 天全空，贡献了 3 × 689 = 2067 行，这些行的 开始/结束 为 NULL、打卡状态 为 FALSE。

于是：

说法	含义	对不对
"主链展开 16 天"	结构事实（转置按列数展开）	✔
"只有 13 天有记录"	内容事实（3 天全空）	✔
"13091 = 689×13 + 689×3"	把两者混为一谈	✘

计算"打卡天数"时，空列会因为 打卡状态=FALSE 被排除，所以不影响结果；但计算"应跑天数""出勤率"时，用 16 还是 13 会差 19%。

四、TWB 工作簿详解（`漫跑数据分析.twb`）

4.1 文件头

属性	值
`version`	18.1
`original-version`	18.1
`source-build`	`2026.2.3 (20262.26.0912.1023)`
`source-platform`	mac
大小	308235 B（301 KB）
文档特性	12 项，含 `ObjectModelEncapsulateLegacy`、`WorkbookFingerprinting` 等

4.2 数据源连接

工作簿只有一个数据源 federated.14ozbt31f4e6j91ahfdv914rnb5n，caption 为「输出数据提取」。

connection class = federated
└─ named-connection name = hyper.01oaehx13d300j146rwjq00bozw8   caption = 输出
   └─ connection class = hyper
      dbname        = ~/Desktop/漫跑记录分析/漫跑数据分析-2026R3.hyper
      username      = tableau_internal_user
      authentication= auth-none
      author-locale = zh_CN
└─ relation name = Extract   table = [Extract].[Extract]   type = table

dbname 指向 漫跑数据分析-2026R3.hyper，即 Prep 流程的当前输出，链路是通的。

date-options start-of-week = monday：周从周一开始，影响 周() 类计算与日期轴分组。 semantic-values 里声明了国家为「中国」，影响地图与本地化格式。

4.3 元数据记录（10 条）

工作簿缓存的列定义，与 Hyper 的 10 列一一对应：

remote-name	remote-type	local-type	approx-count	含义
`日期`	133	date	19	19 个不同日期（旧 3 + 主链 16）
`打卡状态`	11	boolean	2	true / false
`转置 1 名称-1`	129	string	17	主链结束侧列名
`打卡状态-old`	20	integer	2	0 / 1（旁链）
`开始时间`	20	integer	64	分钟偏移
`结束时间`	20	integer	56	分钟偏移
`持续时间`	20	integer	41	用时值个数
`班级`	129	string	16	16 个班
`姓名`	129	string	1165	估算值（含重复）
`学号`	129	string	1168	估算值（含重复）

日期 = 19 与 Hyper 的 19 个日期一致，说明元数据已按当前提取刷新过。 approx-count 是采样估算，不是精确 COUNT(DISTINCT)，不要当去重数使用。

4.4 字段清单（11 个 column 定义 + 17 个 column-instance）

原始字段（8 个，来自 Hyper）

字段	类型	角色	用途
`日期`	date	dimension / ordinal	时间轴、全局过滤
`打卡状态`	boolean	dimension / nominal	全勤判定
`开始时间`	integer	measure	出发时刻分布
`结束时间`	integer	measure	结束时刻分布
`持续时间`	integer	measure	用时分布
`班级`	string	dimension / nominal	分组
`姓名`	string	dimension / nominal	排行
`学号`	integer（自定义为 ordinal）	dimension / ordinal	排行主键

计算字段（6 个）

caption	name	数据类型	角色	公式
打卡天数	`Calculation_0268816372953088`	integer	measure	`{FIXED [学号], [姓名], [班级] : SUM(IF [打卡状态] THEN 1 ELSE 0 END)}`
结束计数	`Calculation_0399311583469568`	integer	measure	`COUNTD(IF NOT ISNULL([结束时间]) THEN [学号] END)`
开始计数	`Calculation_0399311583645697`	integer	measure	`COUNTD(IF NOT ISNULL([开始时间]) THEN [学号] END)`
周期内是否全勤？	`Calculation_4496984931803136`	boolean	dimension	`{FIXED [班级],[姓名] :` `MIN(IF [打卡状态] THEN 1 ELSE 0 END)}` `=1`
全勤计数	`Calculation_4496984936570881`	integer	dimension / ordinal	`INT(IF [Calculation_4496984931803136] THEN [姓名] END)`
学生是否达标	`Calculation_4496984964349958`	integer	measure	`IF [Calculation_4496984931803136] THEN 1 ELSE 0 END`

数据桶（1 个）

caption	名称	定义
持续时间 (数据桶)	`[持续时间 (数据桶)]`	`bin` on `[持续时间]`，`size = 27`，`peg = 0`

表对象（1 个）

[__tableau_internal_object_id__].[Extract (Extract.Extract)_527E78B7B1044B948C919C36F90C704B] —— Tableau 内部的对象 id，对应 object-graph 里的 Extract 节点。

4.5 六个计算字段的口径逐条

`打卡天数`

{FIXED [学号], [姓名], [班级] : SUM(IF [打卡状态] THEN 1 ELSE 0 END)}

FIXED 在学号+姓名+班级这一行级粒度上算，结果是一人一个值（该人在当前日期范围内的打卡天数）。
这是一个行级 LOD 结果，但字段角色被设为 measure，在工作表里又以 SUM() 聚合。一人 N 行、每行都带同一个值，SUM 理论上会得到 N × 天数。
实测当前显示正常（依赖 Tableau 对 LOD 结果的去重）。但这个行为依赖优化器，不是公式本身保证的，换聚合方式（如 AVG）或换版本时可能出现倍数偏差。

`周期内是否全勤？`

{FIXED [班级],[姓名] :
MIN(IF [打卡状态] THEN 1 ELSE 0 END)}
=1

粒度是 班级+姓名，不是学号。同班同名会合并；同名不同班（学生W）靠班级正常区分。
MIN(...)=1 的语义是：该人在当前日期筛选范围内从未缺勤，而不是"跑够了 N 天"。字段名里的"全勤"容易让人误读成后者。
它随全局日期过滤器一起变化：把日期范围收窄，"全勤"就变成"在这个范围内没缺"。

`全勤计数`

INT(IF [Calculation_4496984931803136] THEN [姓名] END)

INT() 作用于中文姓名，结果恒为 NULL。这个字段在数学上没有意义。它只出现在两个窗口的 color-one-way 高亮列表里，没有被任何工作表使用。

`学生是否达标`

IF [Calculation_4496984931803136] THEN 1 ELSE 0 END

周期内是否全勤？ 的 0/1 版本，供 SUM() 求"全勤人数"。语义随上一节。

`开始计数` / `结束计数`

COUNTD(IF NOT ISNULL([开始时间]) THEN [学号] END)
COUNTD(IF NOT ISNULL([结束时间]) THEN [学号] END)

去重学号计数，即"有开始 / 有结束的人数"。一人可能跑多次，所以结果必然小于记录数。当前工作簿未使用这两个字段，只有数据源里挂着实例（usr: 派生）。

4.6 实例（column-instance）全表

实例（column-instance）是"字段 + 聚合方式"的组合，Tableau 用它把同一个字段以不同粒度重复使用（如 学号 既可以做维度、也可以 COUNT）。

数据源级共声明 17 个，被工作表实际引用的 13 个：

实例	派生	用于
`[none:日期:qk]`	None	全部 6 张表（全局过滤 + 切片）
`[none:班级:nk]`	None	基础表格×2、全勤排名、月汇总班级排名
`[none:姓名:nk]`	None	基础表格-弃用、全勤排名
`[none:学号:ok]`	None	全勤排名（行架第一层）
`[none:开始时间:qk]`	None	打卡同学压力
`[none:结束时间:qk]`	None	打卡同学压力
`[none:持续时间:qk]`	None	平均跑步时间
`[ctd:学号:qk]`	CountD	平均跑步时间（人数）
`[cnt:学号:qk]`	Count	打卡同学压力（人数）
`[sum:持续时间:qk]`	Sum	平均跑步时间（颜色）
`[sum:Calculation_0268816372953088:qk]`	Sum	全勤排名、月汇总班级排名
`[sum:Calculation_4496984964349958:qk]`	Sum	基础表格-数据（全勤人数）
`[none:Calculation_4496984931803136:nk]`	None	基础表格×2（全勤真假）

数据源级声明但从未被任何工作表引用的（4 个，冗余）：

[__tableau_internal_object_id__].[cnt:Extract...]、[attr:学号:ok]、[attr:持续时间:qk]、 [cnt:持续时间:qk]、[ctd:持续时间:qk]

另有若干实例（如 [none:Calculation_0268816372953088:qk]、[sum:Calculation_0268816372953088:qk]）只出现在各表的内联声明里，数据源级没有 —— 这是 Tableau 的正常行为，不算问题。

4.7 全局筛选器（唯一一条，数据源级）

工作簿里有一条共享（数据源级）筛选器，定义在 <shared-views> 里：

xml

<shared-view name='federated.14ozbt31f4e6j91ahfdv914rnb5n'>
  <datasources>
    <datasource caption='输出 数据提取' name='federated.14ozbt31f4e6j91ahfdv914rnb5n' />
  </datasources>
  <datasource-dependencies datasource='federated.14ozbt31f4e6j91ahfdv914rnb5n'>
    <column-instance column='[日期]' derivation='None' name='[none:日期:qk]'
                     pivot='key' type='quantitative' />
    <column datatype='date' name='[日期]' role='dimension' type='ordinal' />
  </datasource-dependencies>
  <filter class='quantitative'
          column='[federated.14ozbt31f4e6j91ahfdv914rnb5n].[none:日期:qk]'
          context='true'
          included-values='in-range-or-null'>
    <min>#2026-10-15#</min>
    <max>#2026-10-15#</max>
    <target field='[federated.14ozbt31f4e6j91ahfdv914rnb5n].[none:日期:qk]' />
  </filter>
</shared-view>

它的作用（本手册只关心"在系统里起什么作用"）

属性	含义
`<shared-view>`	数据源级共享，6 张工作表全部受它约束，不需要每张表各放一个
`column = [none:日期:qk]`	作用对象是 `日期` 字段
`context='true'`	上下文筛选器：先于该表内所有其他筛选器执行。表内的 `打卡天数 0–15`、`班级` 筛选都在它之后
`included-values='in-range-or-null'`	区间加空值：日期为空的行也会通过，不会被误删
`<min>/<max>`	保留的日期闭区间

一句话：这是整个工作簿的"时间窗口开关"。改这一处，所有图表的统计范围同时变，不需要逐表调整；它先算完，表内筛选再在其结果上叠加。

这个区间填什么，只影响"当前看哪一段"。工作簿本身不依赖某个固定区间，换周期时改 min/max 即可，图表结构不变。

表内还有两个筛选器（非全局，只影响单表）

工作表	筛选器	作用
`全勤排名`	`打卡天数` in-range `0–15`，`context=true`	只列该区间内的人；`0–15` 覆盖当前全部取值，等于暂时不过滤
`全勤排名`	`班级` level-members，`context=true`	班级多选，默认全选
`基础表格-弃用`、`基础表格-数据`	`周期内是否全勤？` = `true`	只保留"范围内零缺勤"的人
`平均跑步时间`	`持续时间` 非空	排除没有完整记录的行
`打卡同学压力`	`开始时间` 非空、`结束时间` 非空	排除半截记录
`月汇总班级排名`	无	只受全局日期筛选

全勤排名 的两条筛选器都带 context=true，与全局日期筛选一样属于上下文级，在表内先执行。

4.8 六张工作表逐张

表 1：`全勤排名`

项	值
行	`学号` / (`姓名` / `班级`) 三层
列	`SUM(打卡天数)`
标记	Automatic
编码	文本 = `SUM(打卡天数)`
筛选器	`打卡天数` 0–15（context）、`班级` 全选（context）
排序	`学号` 按 `SUM(打卡天数)` 降序
切片	`打卡天数`、`日期`、`班级`
simple-id	`{D40C7CD0-1773-4D18-94C7-69FD1143C52D}`

水平条形排行：每人一条，长度 = 打卡天数，按天数降序。行架带 学号 是为了让同名不同人（学生W）分开显示，这是对的做法。

打卡天数 0–15 这个范围当前覆盖所有可能取值（最大 16，但极少），等于不筛选；它留在这里是为了以后收窄范围时直接改。

表 2：`基础表格-弃用`

项	值
标题	全勤人数
行	`班级` / `姓名`（两层）
列	`周期内是否全勤？`
标记	Automatic
编码	颜色 = `周期内是否全勤？`
筛选器	`周期内是否全勤？` = true
切片	`日期`、`周期内是否全勤？`
样式	该列宽 121；标记标签关闭
simple-id	`{96E5E0F0-4FF3-4C79-A90D-7F638AB8C5D7}`

每个全勤学生一个点，按班级分行，列上是 true/false。因为过滤到 true，false 列是空的。表名自带"弃用"，是早期草稿。

表 3：`基础表格-数据`

项	值
行	`班级`
列	无（单列文本表）
标记	Automatic
编码	文本 = `SUM(学生是否达标)`
筛选器	`周期内是否全勤？` = true
切片	`日期`、`周期内是否全勤？`
标记标签	15 条显式标签，全部 label-state=on
simple-id	`{22336AFF-BB8B-4497-835A-E871BF7A93D9}`

这是"各班全勤人数"表，也是唯一带 maximized=true 的窗口（打开即最大化）；但 15 条标签是冻死在 XML 里的字面量：

班级	标签值	班级	标签值
高一 1 班	14	高一 9 班	6
高一 2 班	6	高一 10 班	7
高一 3 班	11	高一 11 班	11
高一 4 班	18	高一 12 班	5
高一 5 班	5	高一 13 班	4
高一 6 班	3	高一 14 班	6
（高一 7 班缺失）	—	高一 15 班	6
高一 8 班	10	高一 16 班	3

合计 115。这些数字不会随数据刷新而变。缺高一 7 班是因为该班最高打卡天数只有 5，0 人全勤，Tableau 未生成标签。

表 4：`平均跑步时间`

项	值
行	`COUNTD(学号)`（人数）
列	`持续时间`
标记	Area（面积图）
编码	颜色 = `SUM(持续时间)`（蓝色渐变 blue_10_0）文本 = `COUNTD(学号)` LOD = `COUNTD(学号)`
筛选器	`持续时间` 非空
切片	`日期`、`持续时间`
样式	轴高 57；颜色插值
simple-id	`{4F41E126-1F31-4624-A24B-E9B8B1370587}`

表名与内容不符：这不是"平均用时"，而是"用时分布"—— 横轴是用时，纵轴是"该用时上有多少人次"，面积高度代表分布的密集程度。 "平均"这个词只在颜色编码 SUM(持续时间) 上勉强沾边。

表 5：`打卡同学压力`

项	值
行	`COUNT(学号)`（人次），轴标题「人数」
列	`(开始时间 + 结束时间)` 双轴合并
标记	Area（3 个 pane）
编码	颜色 = `[:Measure Names]`（两条线区分）文本 = `COUNT(学号)`
筛选器	`开始时间` 非空、`结束时间` 非空
切片	`日期`、`开始时间`、`结束时间`
趋势线	仅 pane 8（开始时间轴）有：线性拟合，无置信带
样式	结束时间轴 `fold=true`（双轴折叠）
simple-id	`{B140757F-5C37-4597-8794-737D5F769FAE}`

三个 pane：

pane 7：无 x 轴名（基线）
pane 8：x = 开始时间，带趋势线
pane 9：x = 结束时间

图的语义：横轴是分钟偏移（见 1.5），纵轴是"在这一点出发/结束的人次"，两条面积带分别是"出发时刻人数"与"结束时刻人数"。 "压力"指的是人流在时间上的集中程度。

表 6：`月汇总班级排名`

项	值
行	`班级`
列	`SUM(打卡天数)`（轴标题「打卡人次」）
标记	Automatic
编码	文本 = `SUM(打卡天数)`
筛选器	无（仅受全局日期筛选）
排序	`班级` 按 `SUM(打卡天数)` 降序
切片	`日期`
simple-id	`{ED323CB1-6E83-467A-A7A1-DA79FED6572A}`

班级维度的打卡人次排行。轴标题写"人次"、字段叫"打卡天数"，实际是 SUM(FIXED 天数)，即"全班所有人的打卡天数之和"，用"人次"更贴切。

4.9 仪表板 1

项	值
尺寸	1000 × 800（min = max）
zones	0 个（空）
手机版式	自动生成（`auto-generated=true`），700 高，vscroll
simple-id	`{59A2FA23-3134-4302-91F6-C4C5E8F1A322}`

仪表板是空壳，6 张工作表都没有拖进去。

4.10 窗口（windows）配置要点

窗口	关键配置
`基础表格-弃用`	左侧卡：颜色、日期筛选；高亮 6 个字段
`基础表格-数据`	maximized=true；左侧卡：全勤筛选、日期筛选
`全勤排名`	右侧卡：天数筛选、班级筛选、日期筛选
`平均跑步时间`	右侧卡：日期筛选、颜色
`打卡同学压力`	右侧卡：日期筛选、颜色(Measure Names)
`月汇总班级排名`	右侧卡：日期筛选
`仪表板 1`	`active id=-1`（无活动部件）

工作簿共 15 个 tuple-reference，全部属于 基础表格-数据 的 15 条标记标签。 没有任何持久化的选中记录（selection-collection 为空），所以打开工作簿不会出现"莫名只有几个人被高亮"的情况。

五、图表语义速查（别被表名骗了）

工作表名	实际画的是	一句话读法
`全勤排名`	每人的打卡天数排行	条形长度 = 天数，按天数降序；行架带学号以区分同名
`基础表格-弃用`	全勤学生名单矩阵	每行一个全勤学生，按班级分组；已弃用
`基础表格-数据`	各班全勤人数（单列表）	数字是冻结的旧值，不是实时值
`平均跑步时间`	用时分布（面积图）	横轴用时、纵轴人次；不是平均值
`打卡同学压力`	出发时刻 + 结束时刻的人次曲线	双轴叠加，看人流集中在哪个分钟段
`月汇总班级排名`	各班打卡人次总和	条形长度 = 全班天数之和

四条常见误读

把 平均跑步时间 当平均值 → 它没有算任何平均数，是把记录按用时值铺开数人头。想要平均值应看 1.6 节的 8.55，或新建 AVG([持续时间])。
把 全勤排名 的条形长度当"跑了几次" → 是"打卡天数"，口径为 FIXED 学号+姓名+班级 下的 SUM(IF 打卡状态 THEN 1)，即该人在当前日期筛选范围内有多少天满足 打卡状态=TRUE。改日期范围，条形就变。
把 基础表格-数据 的 115 当当前值 → 是建立工作簿时的快照，且缺高一 7 班。刷新数据不会更新这些数字（它们是 mark-label 字面量，不是计算）。
把"全勤"理解为"跑够了 N 天" → 周期内是否全勤？ 的定义是 "在筛选范围内从未缺勤"（MIN(打卡) = 1）。范围内只要有任意一天缺，就判为非全勤，与该人总共跑了多少天无关。

六、已知问题清单（仅记录，不含修复）

按严重度排列。"定位"给到文件内可检索的锚点。

P0 — 数据不一致

Q1. 数据库落后于 Excel：10/13 的 57 条记录没进库

现象：Excel 的 2026/10/13 列有 57 条完整记录（开始、结束都非空），数据库同名列 0 条（实测 SELECT COUNT(*) ... WHERE 开始 IS NOT NULL AND 结束 IS NOT NULL）。
影响链条：Prep 用 LoadSql 读库 → Hyper 只有 1516 条（Excel 是 1573）→ 工作簿、仪表板、所有导出都缺这 57 条。
影响范围：主要是 10/13 一天；其余 15 天的完整记录三边一致。
另有 1 处反向差异：库内 260001（学生D）在 10/15 有"只有开始、没有结束"的半截记录，而 Excel 该格为空。因此库内半截 6 条 / Excel 半截 5 条。
合并后：库内完整 1516 + 半截 6 = 1522 条有值；Excel 完整 1573 + 半截 5 = 1578 条有值。
定位：
- Excel：2026/10/13开始 / 2026/10/13结束 两列（AD、AE 列）
- 库：漫跑记录 同名列
该问题属"入库同步"范畴，本手册只记录现象，处理办法见 ../漫跑数据入库/数据库操作手册.md 第四节。
附带后果：本手册所有"库内 / Hyper"口径的数字都比"Excel"口径少 57 条，两套数字并列给出，避免混用。

P1 — 口径与呈现

Q2. 基础表格-数据 的 15 个数字是冻结字面量

现象：mark-labels/mark-label 里 15 条 label-state=on，值是写死的 3–18。
缺高一 7 班：该班最高打卡天数只有 5，0 人全勤，Tableau 未生成标签，属正常。
合计 115。这个数无法用当前任何日期范围复现，说明来自更早的数据版本。
定位：worksheets/worksheet[@name='基础表格-数据']/table/mark-labels
影响：图上数字与当前筛选结果不一致，且刷新不更新（字面量，不是计算）。

Q3. 半截记录在两种口径下结论相反

当前口径（流程 清理终 与工作簿 打卡天数 一致）：开始且结束都非空才算打卡。
半截记录共 6 条（库内），涉及 6 人： 学生A、学生E、学生C、学生F、学生B、学生D。它们在长表里是 打卡状态=FALSE、持续时间=NULL， 不计入打卡天数、也不进用时分布。
若改用"任一非空"口径，这些人各会多算 1 天，但也不会进用时统计（时长仍算不出来）。
定位：flow → 清理终/Add 打卡状态；datasources/datasource/column[@caption='打卡天数']
说明：本手册只记录现象，不判定哪个口径正确。

Q4. 打卡天数 的 LOD + SUM 组合存在倍数风险

FIXED 产出人级常量，SUM() 又在行级求和，理论上应为 行数 × 天数。
实测当前显示正常（依赖 Tableau 对 LOD 结果的去重）。
定位：datasources/datasource/column[@caption='打卡天数']
影响：换聚合方式（AVG/MIN）或换 Tableau 版本时可能出现倍数偏差。

Q5. 周期内是否全勤？ 用姓名而非学号做键

{FIXED [班级],[姓名] : ...}：同班同名会合并。
本数据集无同班同名，但 学生W 两人跨班，靠班级才区分开。
语义是"范围内零缺勤"，与字段名"全勤"易混淆。
定位：datasources/datasource/column[@caption='周期内是否全勤？']

Q6. 全勤计数 是无效字段

INT(IF ... THEN [姓名] END)：INT() 作用于字符串姓名，恒为 NULL。
仅在两个窗口的 color-one-way 里出现，无工作表使用。
定位：datasources/datasource/column[@caption='全勤计数']

Q7. 数据源级有 4 个冗余 column-instance

[__tableau_internal_object_id__].[cnt:Extract...]、[attr:学号:ok]、 [attr:持续时间:qk]、[cnt:持续时间:qk]、[ctd:持续时间:qk]
早期探索遗留，未被任何工作表引用。
定位：datasources/datasource/column-instance

Q8. 仪表板 1 为空

zones 子元素数 = 0，6 张工作表均未上板。
定位：dashboards/dashboard[@name='仪表板 1']/zones

P2 — 命名与呈现

Q9. 平均跑步时间 名实不符

实为用时分布面积图，无任何平均计算。
定位：worksheets/worksheet[@name='平均跑步时间']

Q10. 打卡同学压力 的三 pane 只有一条趋势线

仅 pane 8（开始时间）有 trendline fit=linear；pane 9（结束时间）没有。
两条面积带放在一起但只有一条有拟合，视觉上会误导。
另：13–60 的分钟偏移口径未在任何地方定义（见 1.5）。
定位：worksheets/worksheet[@name='打卡同学压力']/table/panes/pane[@id='8']/trendline

Q11. 基础表格-弃用 仍留在工作簿内

已明确弃用但未删除，参与缩略图与窗口列表。
定位：worksheets/worksheet[@name='基础表格-弃用']

Q12. 全勤排名 的天数筛选范围 0–15 依赖"库内缺 10/13"这一前提

当前连接的数据（库内，19 天口径）最大打卡天数是 15，所以 0–15 完整覆盖、暂时不丢人。
但 Excel 全量口径下最大是 16（有 20 人），因为 10/13 那 57 条没进库（见 Q1）。
也就是说：一旦 Q1 被修好、10/13 入库，0–15 就会漏掉这 20 人。
该筛选是 context=true，在表内最先执行。
定位：worksheets/worksheet[@name='全勤排名']/table/view/filter
说明：本手册只记录该联动关系，不评价取值是否合适。

Q13. 流程与成品的字段快照不一致

流程 LoadSql 记录 23 列，库里 35 列；流程 LoadCsv 指向 old/子sheets/outputs/，属历史目录。
定位：flow → nodes['626aa6a3-...'].fields、connections['b70de1f7-...']

七、每周更新对可视化的影响（现状描述）

只描述"会发生什么"，不给改法。

变化	Prep 流程	Hyper	工作簿
宽表新增日期列	通配符转置自动纳入，无需改流程	重跑后日期数增加	元数据需刷新；否则 `approx-count` 与列名会滞后
宽表新增学生	`LoadSql` 自动带上	行数增加	姓名/班级维度自动出现
某日期列整列为空	仍产生 689 行（值为 NULL）	行数增加、该日 `打卡状态=false`	全局筛选器决定是否可见
新增月份数据	需确认流程已重跑	日期数从 19 增长	把全局筛选器的区间向前延一段即可看到
删除学生	自动消失	行数减少	排行表中该人自动消失

关键点：Prep 侧靠通配符自动适应，工作簿侧靠全局筛选器的区间控制时间窗。两者配合得当，加数据不需要改结构；需要改的只是筛选器的 min/max。

另外两处会滞后、但不影响正确性的：

基础表格-数据 的 15 条标记标签（字面量，不随刷新变化，见 Q2）
全勤排名 的 打卡天数 0–15 范围（现有数据最大 15，暂时够用；见 Q12）

八、排查速查

现象	先查	锚点
图上完全没有某段日期	全局日期筛选器的区间	`shared-views/shared-view/filter` 的 `min/max`
班级数字不对且刷新无效	标记标签字面量	`worksheet[@name='基础表格-数据']/table/mark-labels`
排行表少了高分学生	`打卡天数` 的 in-range 上界	`worksheet[@name='全勤排名']/table/view/filter`
某个人在自己表里查不到	`班级` 筛选器是否全选	`worksheet[@name='全勤排名']/table/view/filter`
重名字段报错或列错位	元数据 `转置 1 名称-1` 与 Hyper 是否一致	`metadata-records/metadata-record`
用时分布图横轴超出数据范围	数据桶 size=27	`column[@name='[持续时间 (数据桶)]']`
全勤人数与手算不符	全勤口径（A/B/C/D 四种）	本手册 1.7
时间段落在 13–60	分钟偏移口径	本手册 1.5
打卡数比 Excel 少 16	库与 Excel 是否同步	本手册 Q1

附录 A：文件清单

文件	大小	角色
`../漫跑数据分析.xlsx`	110758 B	源宽表（689 × 35）
`../漫跑数据分析-v2.tfl`	37199 B	Prep 流程（13 节点）
`../漫跑数据分析-2026R3.hyper`	131072 B	长表提取（13091 × 10），工作簿当前连接它
`../漫跑数据分析.twb`	308235 B	工作簿（6 表 + 1 空仪表板）
`../old/子sheets/outputs/旧格式-高一.csv`	25252 B	旁链输入（9/7–9/9，689 行）
`../old/输出.hyper`	131072 B	13 天版提取（8957 行），历史产物
`../old/输出-final.hyper`	131072 B	更早的实验版本（9 列，含 `转置1值`）
`../old/temp-输出.hyper`	65536 B	更早的实验版本（8 列，含 `Table Names`）
`../old/工作簿 2.twb`	—	更早的工作簿
`../宣传/月汇总全勤排名_摘要.csv`	—	排行导出（UTF-16，96 行 + 表头）

附录 B：Prep 节点 ID 对照

节点	类型	ID（前 8 位）
漫跑记录	LoadSql	`626aa6a3`
旧格式-高一	LoadCsv	`0d021b59`
清理 1	Container	`7ce6e24d`
清理 2	Container	`3f7e7929`
清理 3	Container	`cbae1f49`
清理旧	Container	`a67ba473`
清理终	Container	`248c103a`
转置 - 开始	SuperUnpivotExtended	`a528a1ad`
转置 - 结束	SuperUnpivotExtended	`db0b8b84`
转置 5	SuperUnpivotExtended	`76a7653a`
联接 1	SuperJoin	`5887b0d8`
并集 1	SuperUnion	`48ed450a`
输出	WriteToHyper	`4706da33`

容器内部节点 ID（按执行顺序）：

容器	内部节点（ID 前 8 位）
清理 1	`833d119e` 筛选器
清理 2	`206e7a88` 保列 → `ec6d6cc7` Add 日期 → `73f926d1` 改名
清理 3	`8d31f566` 保列 → `4727894b` Add 日期 → `f680bf7b` 改名
清理旧	`80a56f6f` 改名 → `0563f2ca` 改名 → `558ec9d3` Add 日期 → `2c76a51b` 改类型 → `0343d335` Add 打卡状态
清理终	`de45c31e` Add 打卡状态 → `2c0e0ce6` Add 持续时间

附录 C：关键 XML 片段

全局筛选器（min/max 是当前值，换周期时改这两个日期即可）

xml

<shared-view name='federated.14ozbt31f4e6j91ahfdv914rnb5n'>
  <datasources>
    <datasource caption='输出 数据提取' name='federated.14ozbt31f4e6j91ahfdv914rnb5n' />
  </datasources>
  <datasource-dependencies datasource='federated.14ozbt31f4e6j91ahfdv914rnb5n'>
    <column-instance column='[日期]' derivation='None' name='[none:日期:qk]'
                     pivot='key' type='quantitative' />
    <column datatype='date' name='[日期]' role='dimension' type='ordinal' />
  </datasource-dependencies>
  <filter class='quantitative'
          column='[federated.14ozbt31f4e6j91ahfdv914rnb5n].[none:日期:qk]'
          context='true'
          included-values='in-range-or-null'>
    <min>#2026-10-15#</min>
    <max>#2026-10-15#</max>
    <target field='[federated.14ozbt31f4e6j91ahfdv914rnb5n].[none:日期:qk]' />
  </filter>
</shared-view>

shared-view 里同时声明了 [none:日期:qk] 这个实例和 [日期] 字段本身，说明这条筛选器只依赖 日期 一个字段，与任何工作表无关，因此对所有表生效。

表内筛选器（全勤排名）

xml

<filter class='quantitative'
        column='[...].[none:Calculation_0268816372953088:qk]'
        context='true' included-values='in-range'>
  <min>0</min>
  <max>15</max>
</filter>
<filter class='categorical'
        column='[...].[none:班级:nk]'
        context='true'>
  <groupfilter function='level-members' level='[none:班级:nk]' />
</filter>

两条都带 context='true'，与全局日期筛选器同级，先于表内其他计算执行。

数据桶

xml

<column aggregation='None' datatype='integer'
        name='[持续时间 (数据桶)]' role='dimension' type='quantitative'>
  <calculation class='bin' decimals='1' formula='[持续时间]' peg='0' size='27' />
</column>

标记标签（示例，共 15 条）

xml

<mark-label id='0' label-state='on'>
  <tuple-reference>
    <tuple-descriptor>...</tuple-descriptor>
    <tuple>
      <value>&quot;高一 4 班&quot;</value>
      <value>18</value>
    </tuple>
  </tuple-reference>
</mark-label>

附录 D：本手册数字的来源

数字	来源	校验方式
689 人	Excel 去重学号	与 `SHOW COLUMNS`/`COUNT(*)` 一致
16 天 / 32 列	Excel 表头	与库 35 列 − 3 一致
1573 / 1516 完整打卡	Excel 逐格复算 / 库与 Hyper	Excel 1573，库与 `2026R3.hyper` 均 1516，差 57（10/13）
5 / 3 半截（Excel） / 6（库内）	逐格复算	Excel：开始独有 5、结束独有 3；库内开始独有 6（多 `260001`@10/15）
13091 行	Hyper `nullCounts` 反推	= 689×16 + 689×3
8957 行（13 天版）	`old/输出.hyper` 的 `nullCounts`	= 689×13，且 `日期` 非空数与日期集合一致
1356 / 1361 / 1359	9 月口径复算	与 `old/输出.hyper` 的 `持续/开始/结束` 非空数逐项相等
13 个有记录日（Excel） / 12 个（库内）	按日计数	Excel 空日 = 10/08、10/09、10/12；库内再多一个 10/13
用时 1–35，均值 8.55	Excel 逐条计算	中位 7，众数 5（323 条），33 个不同值
57 人 9 月全勤	Excel 逐人判定	口径 A
46 人 13 天全勤	Excel + 旁链 CSV	口径 B
115（冻结标签）	TWB `mark-label` 字面量	15 条求和
256 人有任意记录 / 254 人有完整记录	Excel 逐人判定	37.2% / 36.9%；差 2 人是只有半截记录的 `学生A`、`学生B`

关于半截记录：Excel 口径下共 5 条"只有开始"+ 3 条"只有结束"，分布在 5 人身上：
学生A：0 条完整 + 1 条半截（唯一记录就是半截）
学生B：0 条完整 + 2 条半截（唯一记录都是半截）
学生E：8 条完整 + 1 条半截
学生C：1 条完整 + 2 条半截
学生F：1 条完整 + 2 条半截
按"开始且结束"计为未打卡，半截都不计入打卡天数、也不进用时分布。库内另有 学生D 在 10/15 多一条半截，Excel 无此数据（见 Q1）。
全部数字均为本手册写作时对现存文件的独立复算。若 漫跑数据分析.twb 或 Hyper 后续被改动，第四、五、六章的结构描述需按改动后的文件重新核对。

漫跑数据 · 可视化操作手册 ​

〇、先看这张图：可视化链路 ​

一、数据源现状（先对齐口径，否则后面所有图都会误读） ​

1.1 规模 ​

1.2 16 个跑步日与当天实际记录数 ​

1.3 打卡记录数（分三个口径） ​

1.4 覆盖情况 ​

1.5 时间字段的口径 ​

1.6 用时分布（实测） ​

1.7 "全勤"与"打卡天数"（最容易出错的地方） ​

二、Tableau Prep 流程详解（漫跑数据分析-v2.tfl） ​

2.1 两个输入源 ​

2.2 主链逐节点 ​

① 漫跑记录（输入） ​

② 清理 1（容器，1 个节点） ​

③ 转置 - 开始（SuperUnpivotExtended） ​

④ 转置 - 结束（SuperUnpivotExtended） ​

⑤ 清理 2（容器，3 个节点） ​

⑥ 清理 3（容器，3 个节点） ​

⑦ 联接 1（SuperJoin） ​

⑧ 清理 终（容器，2 个节点） ​

⑨ 并集 1（SuperUnion） ​

⑩ 输出（WriteToHyper） ​

2.3 旁链逐节点 ​

① 旧格式-高一（LoadCsv） ​

② 转置 5（SuperUnpivotExtended） ​

③ 清理 旧（容器，5 个节点） ​

2.4 流程的 9 个节点级属性 ​

2.5 一句话总结流程 ​

三、Hyper 提取（漫跑数据分析-2026R3.hyper） ​

3.1 文件与规模 ​

3.2 十列与非空计数 ​

3.3 一个容易踩的坑：转置 1 名称-1 ​

3.4 长表与宽表的行数换算 ​

四、TWB 工作簿详解（漫跑数据分析.twb） ​

4.1 文件头 ​

4.2 数据源连接 ​

4.3 元数据记录（10 条） ​

4.4 字段清单（11 个 column 定义 + 17 个 column-instance） ​

4.5 六个计算字段的口径逐条 ​

打卡天数 ​

周期内是否全勤？ ​

全勤计数 ​

学生是否达标 ​

开始计数 / 结束计数 ​

4.6 实例（column-instance）全表 ​

4.7 全局筛选器（唯一一条，数据源级） ​

它的作用（本手册只关心"在系统里起什么作用"） ​

表内还有两个筛选器（非全局，只影响单表） ​

4.8 六张工作表逐张 ​

表 1：全勤排名 ​

表 2：基础表格-弃用 ​

表 3：基础表格-数据 ​

表 4：平均跑步时间 ​

表 5：打卡同学压力 ​

表 6：月汇总班级排名 ​

4.9 仪表板 1 ​

4.10 窗口（windows）配置要点 ​

五、图表语义速查（别被表名骗了） ​

四条常见误读 ​

六、已知问题清单（仅记录，不含修复） ​

P0 — 数据不一致 ​

P1 — 口径与呈现 ​

P2 — 命名与呈现 ​

七、每周更新对可视化的影响（现状描述） ​

八、排查速查 ​

附录 A：文件清单 ​

附录 B：Prep 节点 ID 对照 ​

附录 C：关键 XML 片段 ​

附录 D：本手册数字的来源 ​

漫跑数据 · 可视化操作手册

〇、先看这张图：可视化链路

一、数据源现状（先对齐口径，否则后面所有图都会误读）

1.1 规模

1.2 16 个跑步日与当天实际记录数

1.3 打卡记录数（分三个口径）

1.4 覆盖情况

1.5 时间字段的口径

1.6 用时分布（实测）

1.7 "全勤"与"打卡天数"（最容易出错的地方）

二、Tableau Prep 流程详解（`漫跑数据分析-v2.tfl`）

2.1 两个输入源

2.2 主链逐节点

① `漫跑记录`（输入）

② `清理 1`（容器，1 个节点）

③ `转置 - 开始`（SuperUnpivotExtended）

④ `转置 - 结束`（SuperUnpivotExtended）

⑤ `清理 2`（容器，3 个节点）

⑥ `清理 3`（容器，3 个节点）

⑦ `联接 1`（SuperJoin）

⑧ `清理终`（容器，2 个节点）

⑨ `并集 1`（SuperUnion）

⑩ `输出`（WriteToHyper）

2.3 旁链逐节点

① `旧格式-高一`（LoadCsv）

② `转置 5`（SuperUnpivotExtended）

③ `清理旧`（容器，5 个节点）

2.4 流程的 9 个节点级属性

2.5 一句话总结流程

三、Hyper 提取（`漫跑数据分析-2026R3.hyper`）

3.1 文件与规模

3.2 十列与非空计数

3.3 一个容易踩的坑：`转置 1 名称-1`

3.4 长表与宽表的行数换算

四、TWB 工作簿详解（`漫跑数据分析.twb`）

4.1 文件头

4.2 数据源连接

4.3 元数据记录（10 条）

4.4 字段清单（11 个 column 定义 + 17 个 column-instance）

4.5 六个计算字段的口径逐条

`打卡天数`

`周期内是否全勤？`

`全勤计数`

`学生是否达标`

`开始计数` / `结束计数`

4.6 实例（column-instance）全表

4.7 全局筛选器（唯一一条，数据源级）

它的作用（本手册只关心"在系统里起什么作用"）

表内还有两个筛选器（非全局，只影响单表）

4.8 六张工作表逐张

表 1：`全勤排名`

表 2：`基础表格-弃用`

表 3：`基础表格-数据`

表 4：`平均跑步时间`

表 5：`打卡同学压力`

表 6：`月汇总班级排名`

4.9 仪表板 1

4.10 窗口（windows）配置要点

五、图表语义速查（别被表名骗了）

四条常见误读

六、已知问题清单（仅记录，不含修复）

P0 — 数据不一致

P1 — 口径与呈现

P2 — 命名与呈现

七、每周更新对可视化的影响（现状描述）

八、排查速查

附录 A：文件清单

附录 B：Prep 节点 ID 对照

附录 C：关键 XML 片段

附录 D：本手册数字的来源