SPSS操作方法：聚类分析
SPSS聚类分析具体操作步骤spss如何聚类
算法步骤：初始 化聚类中心、分 配数据点到最近 的聚类中心、重 新计算聚类中心、 迭代直到聚类中 心不再变化
适用场景：探索 性数据分析、市 场细分、异常值 检测等
注意事项：选择 合适的聚类数目、 处理空值和异常 值、考虑数据的 尺度问题
定义：根据数据点间的距离或相似性，将数据点分为多个类别的过程 常用方法：层次聚类、K-均值聚类、DBSCAN聚类等 适用场景：适用于探索性数据分析，发现数据中的模式和结构 注意事项：选择合适的距离度量方法、确定合适的类别数目等
常见的聚类分析方法包括层次聚类、Kmeans聚类、DBSCAN聚类等。
聚类分析基于数据的相似性或距离度量， 将相似的数据点归为一类，使得同一类 中的数据点尽可能相似，不同类之间的 数据点尽可能不同。
聚类分析广泛应用于数据挖掘、市场细分、 模式识别等领域。
K-means聚类：将数据划分为K个簇，使得每个数据点到所在簇中心的距离之和最小
聚类结果的可视化：通过图表展示聚类结果 聚类质量的评估：使用适当的指标评估聚类效果的好坏 聚类结果的解释：根据实际需求和背景知识，对聚类结果进行合理的解释和解读 聚类结果的应用：探讨聚类结果在各个领域的应用场景和价值
SPSS聚类分析常 用方法
定义：将数据集 划分为K个聚类， 使得每个数据点 属于最近的聚类 中心
聚类结果展示：通过图表或表格展示聚类结果，包括各类别的样本数和占比
聚类质量评估：采用适当的指标评估聚类效果，如轮廓系数、Davies-Bouldin指数等
聚类结果解读：根据业务背景和数据特征，解释各类别的含义和特征 聚类结果应用：说明聚类分析在具体场景中的应用，如市场细分、客户分类等
SPSS聚类分析注 意事项
确定聚类变量：选 择与聚类目标相关 的变量，确保变量 间无高度相关性。
spss使用教程 聚类分析与判别分析
表8-1
学生的数学成绩 姓 名 hxh yaju 数 学 99.00 88.00 入学成绩 98.00 89.00
yu
shizg hah john watet jess wish
79.00
89.00 75.00 60.00 79.00 75.00 60.00
80.00
78.00 78.00 65.00 87.00 76.00 56.00
4．样本数据与小类、小类与小类之间的 亲疏程度测量方法
SPSS默认的变量为Var00001、Var00002 等，用户也可以根据自己的需要来命名变量。 SPSS变量的命名和一般的编程语言一样，有一 定的命名规则，具体内容如下。
所谓小类，是在聚类过程中根据样本之间 亲疏程度形成的中间类，小类和样本、小类与 小类继续聚合，最终将所有样本都包括在一个 大类中。 在SPSS聚类运算过程中，需要计算样本与 小类、小类与小类之间的亲疏程度。SPSS提供 了多种计算方法（计算规则）。
本节讲述Q型聚类的原理和SPSS的实现过 程，下一节将讲述R型聚类的实现过程。
8.2.1 统计学上的定义和计算公式
定义：层次聚类分析中的Q型聚类，它使 具有共同特点的样本聚齐在一起，以便对不同 类的样本进行分析。
层次聚类分析中，测量样本之间的亲疏程 度是关键。聚类的时候会涉及到两种类型亲疏 程度的计算：一种是样本数据之间的亲疏程度， 一种是样本数据与小类、小类与小类之间的亲 疏程度。下面讲述这两种类型亲疏程度的计算 方法和公式。
图8-4 “Hierarchical Cluster Analysis：Plots” 对话框（一）
图8-5 “Hierarchical Cluster Analysis：Statistics”对话框（一）
IBM SPSS MODELER 实验一、聚类分析
IBM SPSS Modeler 实验一、聚类分析在数据挖掘中，聚类分析关注的内容是一些相似的对象按照不同种类的度量构造成的群体。
聚类分析的目标就是在相似的基础上对数据进行分类。
IBM SPSS Modeler提供了多种聚类分析模型，其中主要包括两种聚类分析，K-Mean 聚类分析和Kohonen聚类分析，下面对各种聚类分析实验步骤进行详解。
1、K-Means聚类分析实验首先进行K-Means聚类实验。
（1）启动SPSS Modeler 14.2。
选择“开始”→“程序”→“IBM SPSS Modeler 14.2”→“IBM SPSS Modeler 14.2”，即可启动SPSS Modeler程序，如图1所示。
图1 启动SPSS Modeler程序（2）打开数据文件。
首先选择窗口底部节点选项板中的“源”选项卡，再点击“可变文件”节点，单击工作区的合适位置，即可将“可变文件”的源添加到流中，如图2所示。
右键单击工作区的“可变文件”，选择“编辑”，打开如图3的编辑窗口，其中有许多选项可供选择，此处均选择默认设定。
点击“文件”右侧的“”按钮，弹出文件选择对话框，选择安装路径下“Demos”文件夹中的“DRUG1n”文件，点击“打开”，如图4所示。
单击“应用”，并点击“确定”按钮关闭编辑窗口。
图2 工作区中的“可变文件”节点图3 “可变文件”节点编辑窗口图4 文件选择对话框图5 工作区中的“表”节点（3）借助“表（Table）”节点查看数据。
选中工作区的“DRUG1n”节点，并双击“输出”选项卡中的“表”节点，则“表”节点出现在工作区中，如图5所示。
运行“表”节点（Ctrl+E或者右键运行），可以看到图6中有关病人用药的数据记录。
该数据包含7个字段（序列、年龄(Age)、性别(Sex)、血压(BP)、胆固醇含量(Cholesterol)、钠含量(Na)、钾含量(K)、药类含量(Drug)），共200条信息记录。
spss聚类分析方法选择
SPSS聚类分析方法选择一、导言SPSS（Statistical Package for the Social Sciences）是一款被广泛使用的统计分析软件，其功能强大且易于操作。
聚类分析是SPSS中常用的一种数据分析方法，可以将相似的个体归为一类，帮助我们理解数据的结构和特征。
在进行聚类分析时，我们首先需要选择适合的聚类方法。
本文将介绍SPSS中常用的聚类方法，并讨论如何选择最适合的方法。
二、常见的SPSS聚类分析方法1. K均值聚类K均值聚类是SPSS中最常见的聚类方法之一。
该方法将样本分为K个簇，使簇内的样本相似度最大化，簇间的相似度最小化。
K均值聚类需要预先确定簇的个数K，并且聚类结果对初始点的选取敏感。
该方法适用于样本数较大、特征数较少的数据。
2. 密度聚类密度聚类是一种基于密度的聚类方法，常用的有DBSCAN和OPTICS。
这些方法将样本集合中的数据点组成的簇定义为密度相连的点的最大集合。
密度聚类能够有效地处理一些非球形分布的数据，对噪声数据也有较好的鲁棒性。
3. 层次聚类层次聚类使用一种树状结构来组织数据，常用的有凝聚层次聚类和分裂层次聚类。
凝聚层次聚类从单个样本开始，逐步合并最相似的簇，直到形成一个包含所有样本的簇。
分裂层次聚类则从整个样本集开始，逐步将样本分割成小的、不相交的簇。
层次聚类可用于确定最佳的簇的个数，但在处理大型数据集时计算复杂度较高。
4. 二分K均值聚类二分K均值聚类将样本集合分为两个簇，并且分别对每个子簇进行迭代划分，直到满足预定的停止条件。
该方法适用于样本数较大、特征数较多的数据。
三、选择合适的聚类方法在选择SPSS聚类分析方法时，需要根据具体的数据集特点和分析目的进行考虑：1.数据集特点：数据集的样本数、特征数和分布形态对聚类方法的选择有很大影响。
如果样本数较大、特征数较少，并且数据呈现相对均匀的分布，可以选择K均值聚类。
如果数据集存在非球形分布、噪声数据等问题，可以考虑使用密度聚类方法。
spss聚类分析步骤
spss聚类分析步骤什么是聚类分析聚类分析是一种通过将相似的样本数据进行分组的方法，以便于研究者可以更好地理解数据中的模式和结构。
在聚类分析中，研究者希望将数据样本划分为若干个互不重叠的群体，每个群体内的样本相似度较高，而不同群体之间的样本相似度较低。
spss的聚类分析功能spss是一种功能强大的统计分析软件，它提供了丰富的数据分析功能。
在spss中，可以使用聚类分析功能来进行数据样本的分组和分类。
聚类分析功能可以帮助研究者发现数据中的模式、规律和群体。
使用spss的聚类分析功能，可以根据变量之间的相似性将样本分成若干个组，从而更好地理解数据。
spss聚类分析步骤以下是使用spss进行聚类分析的基本步骤：1.打开数据文件：首先，需要打开包含要进行聚类分析的数据的spss数据文件。
可以通过点击菜单栏的“文件”选项打开数据文件，或者通过键盘快捷键“Ctrl + O”。
2.转换变量类型：在进行聚类分析之前，需要将数据中的所有变量转换为合适的类型。
例如，如果有一些分类变量，需要将其转换为因子变量。
可以通过点击菜单栏的“数据”选项，然后选择“转换变量类型”来进行变量类型的转换。
3.选择变量：在进行聚类分析之前，需要确定要使用的变量。
可以选择所有的变量，也可以只选择特定的变量。
选择变量可以通过点击菜单栏的“数据”选项，然后选择“选择变量”来进行。
4.进行聚类分析：选择好变量之后，可以进行聚类分析。
可以通过点击菜单栏的“分析”选项，然后选择“聚类”来进行聚类分析。
5.配置聚类分析参数：在进行聚类分析之前，需要配置一些参数。
例如，确定要使用的聚类方法和相似性测度。
可以根据具体的研究目的和数据特点来选择合适的参数。
6.运行聚类分析：配置好参数之后，可以点击“确定”按钮来运行聚类分析。
spss会根据选择的变量和参数，对样本数据进行聚类，并生成相应的结果。
7.分析聚类结果：在进行聚类分析之后，可以对聚类结果进行进一步的分析。
SPSS第11章聚类分析
• ③在图11.2中单击“Plots”按钮，进入对话框，如图11.2示。
• 选择“Variable Importance Plot”中“Rank Variable”的“by variable”，以便显示在两步聚类中各个变量重要性的图形， 再选择“Continue”按钮，回到原来菜单。
学习目标
解释聚类分析的基本概念
熟悉系统聚类分析方法 分析“Classify”菜单，阐述聚类分析与判别分析的基本原理和基本操作。用 实例说明5种方法的具体实现过程，解释其主要功能、背景知识及其主要选择 项。
第11章 聚类分析和判别分析
• 11.1 聚类分析和判别分析过程综述 • 11.2 两步聚类
11.4 分层聚类分析 11.6 判别分析
• ⑤单击“OK”按钮，在Output窗口和“Data View”中显示计算 结果。
2）基本输出结果与解释
•①首先，给出了最终的聚类结果（3类），并且给出了各类的 每个变量的均值与标准差（图略）。
•②其次，给出了3个分类中男女性、经济收入、教育水平变量 的分布状况图11.4。 •③给出了变量均值的95%置信区间在3类中的对比图图11.5。 •④图11.6所示，给出了一系列图形（本例中有6张图）表示给 个变量在聚类中的重要性。
预先并不知道类的特征，甚至不知道类的数目，因此要选择聚类的基 础变量、距离测量标准以及聚类标准。
11.1.3 Classify的功能
•SPSS的“Classify”菜单中提供了5种分类分析。 •① 两步聚类（TwoStep Cluster）提供了可以同时 根据连续变量和分类变量进行聚类的功能。
SPSS19.0之聚类分析
1.1 系统聚类本次实验的系统聚类都是凝聚系统聚类，为了控制变量，都采用平方Euclidean距离。
1.1.1 最短距离聚类法最短距离法聚类步骤如下：1.规定样本间的距离，计算样本两两之间的距离，得到对称矩阵。
开始每个样品自成一类。
2.选择对称矩阵中的最小非零元素。
将两个样品之间最小距离记为D1，将这两个样品归并成为一类，记为G1。
3.计算G1与其他样品距离。
重复以上过程直到所有样品合并为一类。
我们在SPSS中实现最短距离分析非常简单。
单击“”-->“”-->“”。
将弹出如图1-1所示的对话框，设置相应的参数即可。
图1-1 最短距离法我们的数据已经做过标准化，在“转化值”-->“标准化”选项上选无。
在统计量的聚类成员中选择“无”，因为这是非监督分类，不需要指定最终分出的类个数。
在绘制中选择绘制“树状图”。
单击确定，得到以下结果。
聚类表阶群集组合系数首次出现阶群集下一阶群集1 群集 2 群集 1 群集 21 21 28 .211 0 0 102 12 24 .465 0 0 63 2 27 .491 0 0 54 13 20 .585 0 0 95 2 14 .645 3 0 66 2 12 .678 5 2 77 2 7 .702 6 0 88 2 25 .773 7 0 99 2 13 .916 8 4 1110 21 29 1.085 1 0 1211 2 18 1.106 9 0 12表1-2 聚类过程我们可以通过更加形象直观的树状图来观察整个聚类过程和聚类效果。
如图1-2所示，最短距离法组内距离小，但组间距离也较小。
分类特征不够明显，无法凸显各个省份的能源消耗的特点。
但是我们可以看到广东省能源消耗组成和其他省份特别不同，在其他方法中也显现出来。
12 2 21 1.115 11 10 13 13 2 17 1.360 12 0 14 14 2 26 1.564 13 0 15 15 2 22 1.627 14 0 16 16 2 5 1.649 15 0 17 17 2 8 1.877 16 0 18 18 2 16 3.027 17 0 19 19 2 30 3.543 18 0 20 20 2 11 4.930 19 0 21 21 2 4 5.024 20 0 22 22 2 10 6.445 21 0 24 23 1 9 8.262 0 0 26 24 2 15 10.093 22 0 25 25 2 23 10.096 24 0 26 26 1 2 10.189 23 25 27 27 1 6 11.387 26 0 28 28 1 3 13.153 27 0 29 2911932.36728图1-2 最短距离法聚类图1.1.2 组间联接聚类组间联接聚类法定义为两类之间的平均平方距离，即。
用SPSS进行聚类分析
组间平均连锁法 （Between-groups Linkage）
组内平均连锁法 （Within-groups Linkage）
重心法 （Centroid clustering）
离差平方和法 （Ward’s Method）
聚类的步骤
分析研究对象，明确若干相关变量（指
标）； 收集变量对应的样本数据； 对数据进行预处理，比如填补缺失值； 对变量进行标准化； 开展聚类分析，形成聚类谱系图； 对结果开展分析讨论。
用SPSS进行聚类分析
广州大学地理科学学院 蔡砥
参考文献： 薛薇 《统计分析与SPSS的应用》 徐建华 《计量地理学》
前言
聚类分析实质是一种建立分类的方法，它 能够将一批样本按照它们在性质（变量） 上的亲疏程度在没有先验知识的情况下自 动进行分类。这里，一个类就是一个具有 相似性的个体的集合，不同类之间具有非 相似性。聚类过程中，不必事先给出一个 分类标准，聚类分析能够从样本数据出发， 根据所采用的聚类方法产生分类标准，并 且绘制处聚类的谱系图。
一个小例子
样本（小类）亲疏程度用距离来衡量，下面这个小例子用于展示不同的 距离的计算方法
距离的衡量（1）
假设两样本（x,
y）用k个变量来描述。
距离的衡量（2）
距离的衡量（3）
另外，还有Pearson简单相关系数（即平时说的相关系数） 还有 夹角余弦 COSINE(x, y)等，参见薛薇的《统计分析与SPSS的应用》
聚类谱系图
第1次（Stage），将第9个农 业区和第10个农业区聚在一 起，距离是 .209。该小类将 在第8次聚类用到。
其余类推
所聚的两类分别由第7次和第8 次聚类所生成
结果判读－垂直冰柱图
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
. 实验指导之一聚类分析的SPSS操作方法系统聚类法实验例城镇居民消费水平通常用下表中的八项指标来描述。
八项指标间存在一定的线性相关。
为研究城镇居民的消费结构，需将相关性强的指标归并到一起，这实际上就是对指标聚类。
实验数据表 2001年30个省。
市，自治区城镇居民月平均消费数据x1人均粮食支出(元／人) x5人均衣着商品支出(元／人)x2人均副食支出(元／人) x6人均日用品支出(元／人)x3人均烟、酒、茶支出(元／人) x7人均燃料支出(元／人)x4人均其他副食支出(元／人) x8人均非商品支出(元／人)x1x2x3x4x5x6x7x8北京7.78 48.44 8.00 20.51 22.12 15.73 1.15 16.61天津10.85 44.68 7.32 14.51 17.13 12.08 1.26 11.57河北9.09 28.12 7.40 9.62 17.26 11.12 2.49 12.65山西8.35 23.53 7.51 8.62 17.42 10.00 1.04 11.21内蒙古9.25 23.75 6.61 9.19 17.77 10.48 1.72 10.51辽宁7.90 39.77 8.49 12.94 19.27 11.05 2.04 13.29吉林8.19 30.50 4.72 9.78 16.28 7.60 2.52 10.32黑龙江7.73 29.20 5.42 9.43 19.29 8.49 2.52 10.00上海8.28 64.34 8.00 22.22 20.06 15.52 0.72 22.89江苏7.21 45.79 7.66 10.36 16.56 12.86 2.25 11.69浙江7.68 50.37 11.35 13.30 19.25 14.59 2.75 14.87安徽8.14 37.75 9.61 8.49 13.15 9.76 1.28 11.28福建10.60 52.41 7.70 9.98 12.53 11.70 2.31 14.69江西 6.25 35.02 4.72 6.28 10.03 7.15 1.93 10.39山东8.82 33.70 7.59 10.98 18.82 14.73 1.78 10.10河南9.42 27.93 8.20 8.14 16.17 9.42 1.55 9.76湖北8.67 36.05 7.31 7.75 16.67 11.68 2.38 12.88. 湖南 6.77 38.69 6.01 8.82 14.79 11.44 1.74 13．23广东12.47 76.39 5.52 11.24 14.52 22.00 5.46 25.50广西7.27 52.65 3.84 9.16 13.03 15.26 1.98 14.57海南13.45 55.85 5.50 7.45 9.55 9.52 2.21 16.30四川7.18 40.91 7.32 8.94 17.60 12.75 1.14 14.80贵州7.67 35.71 8.04 8.31 15.13 7.76 1.41 13.25云南9.98 37.69 7.01 8.94 16.15 11.08 0.83 11.67西藏7.94 39.65 20.97 20.82 22.52 12.41 1.75 7.90陕西9.41 28.20 5.77 10.80 16.36 11.56 1.53 12.17甘肃9.16 27.98 9.01 9.32 15.99 9.10 1.82 11.35青海10.06 28.64 10.52 10.05 16.18 8.39 1.96 10.81宁夏8.70 28.12 7.21 10.53 19.45 13.30 1.66 11.96新疆 6.93 29.85 4.54 9.49 16.62 10.65 1.88 13.61系统聚类法的SPSS操作：1. 从数据编辑窗口点击Analyze →Classify →Hierachical Cluster , （见图1）图1 系统聚类法打开层次聚类法对话如图2。
图2 系统聚类法对话框选择需要进行聚类分析的变量进入Variable框内后，在Cluster栏中选择聚类类型，SPSS有两种层次聚类方法：Cases 对样品聚类（Q型；系统默认），Variable 对指标变量聚类(R型），本例选择。
在Display栏中选择默认的输出项。
2. 点击Statistics按钮，打开对话框如图3.图3 Statistics对话框✧Agglomeration schedule输出凝聚状态表（聚类进度表）；本例选择。
✧Ploximity matrix 输出个体间的距离矩阵，本例选择。
✧Cluster Membership栏中显示每个观测量被分派到的类。
None 不输出。
本例选择。
Simple solution 指定分类数，并输出样本所属类，单一解。
Renge of solution 指定输出从m到n类的各样本所属类。
多个解。
选好后返回主对话框。
3. 单击Method按钮，打开对话框如图4-1.✧Cluster Method：选择聚类方法：SPSS中提供7种聚类方法，分别是：类间平均，类内平均，最短距离，最长距离，重心法，中值法，最小平方和法。
本例选择类间平均。
✧Measure栏：对距离的测度方法选择SPSS中提供了三种类型：Interval等间距度量的变量（连续型），Counts 计数型变量（离散型）和Binary二值变量。
Interval等间隔测度的变量方法包括:Euclidean distance欧氏距离；Squared Euclidean distance欧氏平方距离；Cosine夹角余弦（R 型聚类）；Pearson Correlation皮尔逊相关系数距离（R 型聚类），本例选择此项。
Chebychev契比雪夫距离；block距离；Minkowski明氏距离；Customized用户自定义距离--即变量绝对值的第p 次幂之和的第r 次根。
p 与r 由用户指定。
图4-1 Method对话框Transform Values栏，选择消除数量级差的方法（见图4-2），依次是：None不作处理（系统默认）；本例选择此项。
Z scores标准化处理；Range -1 to 1 各变量值除全距；Range 0 to 1各变量值减最小值后除全距；Maximum magnitude of 1各变量值除最大值；Mean of 1各变量值除以均值；Standard deviation of 1各变量值除以标准差。
图4-2 Method对话框4. 单击Plots按钮，打开对话框如图5.图5 Plots对话框✧Dendrogram 表示输出树形图，本例选择此项。
✧Icicle表示输出冰柱图。
其中，All clusters表示输出聚类分析每个阶段的冰柱图；本例选择此项。
Specified range of cluster 表示只输出某个阶段的冰柱图，输入从第几步开始到第几步结束，中间间隔几步。
✧Orientationk 栏中指定如何显示冰挂图：Vertical纵向显示，本例选择此项。
Horizontal 横向显示。
图6 Save New Variables对话框5. 单击Save按钮，打开Save New Variables对话框，如图6所示。
选择是否将聚类的结果以变量形式保存在数据文件中。
变量名为：clun_m，其中n表示类数，m表示第m次分析。
✧Cluster Membership栏None 不输出Simple solution 指定分类数，并输出样本所属类。
单一变量。
Renge of solution 指定输出从m到n类的各样本所属类。
多个变量。
当选择结束后，在主对话框中点击OK，可得下面的输出表和图。
Average Linkage (Between Groups) 类间平均凝聚状态进度表：第一列(Stage)表示聚类的进度顺序；第二、三列(Cluster combine)表示每一步将哪两类合并；第四列(Cofficients)表示被合并的两类之间的距离；第五、六列(Stage Cluster First Appares)表示被合并的两类上一次合并分别是在哪一步形成的。
0表示被合并的类为单个样品。
最后一列(Next Stage)表示每一步形成的新类将在哪一步参与下一次合并。
Vertical Icicle冰柱图Dendrogram表示输出树形图（谱分析图）* * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * Dendrogram using Average Linkage (Between Groups类间平均)Rescaled Distance Cluster CombineC A S E 0 5 10 15 20 25Label Num +---------+---------+---------+---------+---------+X2 2 ⇩✗⇩⇩⇩⇩⇩X8 8 ⇩▫⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩X6 6 ⇩⇩⇩⇩⇩⇩⇩▫⇩⇩⇩⇩⇩⇩⇩X7 7 ⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩▫⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩X1 1 ⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇔X4 4 ⇩⇩⇩⇩⇩⇩⇩⇩⇩✗⇩⇩⇩⇩⇩⇩⇩⇩⇩⇔ X5 5 ⇩⇩⇩⇩⇩⇩⇩⇩⇩▫⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩X3 3 ⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩⇩二：K-聚类法的具体操作以例10.4为例，说明快速聚类法的操作过程。
1. 在数据窗口单击Analyze→Classify→K-Mean Cluster打开对话框（见图7）图7 K-Means Cluster Analysis 对话框将变量选入Variables 栏；将标识变量选入Label Cases 栏（可省略）将分类数输入Number of 框（系统默认为2），本例中选择4.✧Method 栏聚类方法栏Iterate and classify （按K-means 算法）叠代分类（系统默认）。
Classify only 仅按初始类别中心点分类（不叠代）。
✧Centers类中心数据的输入与输出（可省略）Read initial from 使用指定数据文件中的数据作为初始类中心（文件格式参考Write final as 文件格式）选择Write final as 把聚类结果中的各类中心数据保存到指定的文件。