怎样对数据进行聚类分析？

步骤如下：

聚类分析的数据处理 聚类分析的数据要求

聚类分析的数据处理 聚类分析的数据要求

作设备：戴尔电脑

作系统：win10

1、首先通过快捷方式打开SPSS分析工具，默认显示数据视图。

2、切换到变量视图，然后添加六个变量，分别为姓名、M、C、E、S和R，其中姓名是字符串类型，其他都是数字类型。

3、返回到数据视图，向六个变量列插入对应的数据。

4、点击分析菜单，然后依次选择分类--->系统聚类。

5、打开系统聚类分析窗口，将变量M和变量C移到变量框中。

6、点击右侧统计按钮，打开系统聚类分析：统计窗口，选择集中，接着点击继续。

7、单击图按钮，打开图设置窗口，勾选谱系图，然后点击继续。

8、接着点击方法按钮，打开系统聚类分析：方法窗口，聚类方法选择瓦尔德法，然后单击继续。

9、点击系统聚类分析窗口中的确定按钮，然后生成系统聚类分析结果和图形展示。

聚类分析中有数据缺失怎么处理

楼主去图书馆查阅《华北工学院学报》2003年05期 的一篇论文吧 名字叫 带有缺失数据的聚类分析方法 希望对你有帮助

传统的聚类分析方法需要完全数据集,但有些情况下数据是不完全的,即包含缺失数据,这给聚类分析带来了一定的困难.这里给出了一种迭代算法为缺失数据确定一个合理的替补值,构造出一个"完全"的数据集,逐步迭代进行聚类分析,并用实例详细阐述了该方法的步骤.

数据分析之聚类分析

RFM分析只能对客户的行为进行分析，包含的信息量有点少。一般来说，对人群进行分类，要综合考虑其行为、态度、模式以及相关背景属性，通过使用特定的方法，发现隐藏在这些信息背后的特征，将其分成几个类别，每一类具有一定的共性，进而做出进一步的探索研究。这个分类的过程就是聚类分析。

聚类分析，就是按照个体的特征将它们分类，目的在于让同一个类别内的个体之间具有较高的相似度，而不同类别之间具有较大的异性。这样，就能够根据不同类别的特征有的放矢地进行分析，并制定出适用于不同类别的解决方案。

聚类可以对变量进行聚类，但是更常见的还是对个体进行聚类，也就是样本聚类。例如对用户、渠道、商品、员工等方面的聚类，聚类分析主要应用在市场细分、用户细分等领域。

为了合理的聚类，需要采用适当的指标来衡量研究对象之间的联系紧密程度，常用的指标有“距离”和“相似系数”，相似系数一般指的是相关系数。设将研究对象采用点表示，聚类分析时，将“距离”较小的点或“相似系数”较大的点归为同一类，将“距离”较大的点或“相似系数”较小的点归为不同的类。

聚类分析具有如下特点：

1.对于聚类结果是未知的，不同的聚类分析方法可能得到不同的分类结果，或者相同的聚类分析方法但是所分析的变量不同，也会得到不同的聚类结果；

2.对于聚类结果的合理性判断比较主观，只要类别内相似性和类别间异性都能得到合理的解释和判断，就认为聚类结果是可行的。

聚类分析可以应用于以下场景：

聚类分析的步骤：

（1）确定需要参与聚类分析的变量；

（2）对数据进行标准化处理；

因为各个变量间的变量值的数量级别异较大或者单位不一致，例如一个变量的单位是元，另一个变量的单位是百分比，数量级别异较大，而且单位也不一致，无法直接进行比较或者计算“距离”和“相似系数”等指标。

（3）选择聚类方法和类别个数；

（4）聚类分析结果解读；

常用的聚类方法包括：

1.快速聚类：也称K均值聚类，它是按照一定的方法选取一批聚类中心点，让个案向最近的聚类中心点聚集形成初始分类，然后按照最近距离原则调整不合理的分类，直到分类合理为止。

2.系统聚类：也称层次聚类，首先将参与聚类的个案（或变量）各视为一类，然后根据两个类别之间的聚类或者相似性逐步合并，直到所有个案（或变量）合并为一个大类为止。实际上，系统聚类分析结果展现了每个个案的聚类过程和分类结果。系统聚类之后，要制作交叉表通过每一个类别的均值来了解每一类别的特征。

3.二阶聚类：也称两步聚类，它是随着人工智能的发展起来的一种智能聚类方法。整个聚类方法分为两个步骤，个步骤是预聚类，就是根据定义的类别数对个案进行初步归类；第二个步骤是正式聚类，就是对步得到的初步归类进行再聚类并确定最终聚类结果，并且在这一步中，会根据一定的统计标准确定聚类的类别数。

（1）系统聚类分析不仅支持输入单个分类数量，还支持输入分类数量的范围。这对于暂时无法确定类别数，或者想进行多类别数的结果比较时，非常方便。

（2）系统聚类分析支持生成聚类结果图，从而更加直观地查看聚类过程。系统聚类分析支持两种图形：

谱系图（树状图）：它以树状的形式展现个案被分类的过程；

冰柱图：它以“X”的形式显示全部类别或指定类别数的分类过程。

（3）系统聚类分析提供多种聚类方法和适用于不同数据类型的测量方法。

其中，测量方法（度量标准）：

（i）区间：适用于连续变量，虽然SPSS提供了8种测量方法，但是通常选用默认的【平方欧式距离】即可。

（ii）计数：适用于连续或分类变量，SPSS提供了2种测量方法，通常选用【卡式测量】即可。

（iii）二元：适用于0/1分类变量，SPSS提供多达27种测量方法，通常选用【平方欧式距离】即可。

通过方法里的转换值项来进行标准化处理。由于参与聚类分析的变量是连续变量，所以，【测量】应选择【区间】项，方法为默认的【平方欧式距离】，标准化可以选择【Z得分】，选择按【变量项】，用以每个变量单独进行标准化。

二阶聚类分析能够对连续变量和分类变量同时进行处理，无需提前指定聚类的数目，二阶聚类会自动分析并输出聚类数。二阶聚类的自动聚类结果借由统计指标施瓦兹贝叶斯准则（BIC）帮助判断分类数量。判断一个聚类方案的依据是BIC的数值越小，同时，“BIC变化量”的和“距离测量比率”数值越大，则说明聚类效果越好。

聚类分析属于探索性数据分析方法，它没有一个所谓的标准流程和，不同的数据有不同的适用方法，即使相同的数据，应用不同的方法也可能会得到不同的结果。只要能有效解决实际业务问题即可。

16种常用的数据分析方法-聚类分析

分类时，要综合考虑其性别、年龄、收入、职业、兴趣、生活方式等相关信息，通过使用特定的方法，发现隐藏在这些信息背后的特征，将其分成几个类别，每一个类别具有一定的共性，进而做出进一步的探索研究。这个分类的过程，就是聚类分析。

spss软件聚类分析怎么用，从输入数据到结果，树状图结果。整个作怎么进行。需要基本思路。

1、因为数据量纲不同将影响聚类分析的结果，所以在分析之前要对数据进行无量纲化处理，对于有序尺度，可以采用数值编码的方式将其转换为间距型。

2、将外语的数据类型改成数值型，然后将各个数据“5”，“5”，分别对应之前的优，优，良、和及格。

3、然后在聚类之前必须对指标的类型进行一致化处理，选择“分析”--》“描述统计”--》“描述”进入设置。

4、设置好描述性的相关参数即可。

5、选择“分析”--》“分类”--》“系统聚类”进入系统聚类设置选项卡。

6、进入选项卡，将标准化后的数据作为变量。然后可以在当中选择聚类的各种方式方法及要生成的图标。这里勾选上树状图后其他默认。

7、点击确定即可看到spss自动处理输出的结果。

8、根据spss输出的结果进行分析。

9、分析结果就出来了。

基于SPSS的聚类分析的实用方法（层次聚类法和迭代聚类法）

层次聚类法和迭代聚类法的主要区别在于:层次聚类法的聚类结果受奇异值的影响非常大,且聚类过程是单方向的,一旦某个样本进入某一类,就不可能从该类出来,再归入其他的类;迭代聚类法的聚类结果受奇异值和不合适的聚类变量的影响较小,对于不合适的初始聚类可以进行反复调整,但其缺点是聚类结果对初始聚类非常敏感,而且它也只能得到局部解.

（一）层次聚类

Analyze--> C1assify-->Hierachical Cluster

在“C1uster”组中选择聚类类型：要进行变量聚类选择指定“Vanables”；要进行观测量聚类指定“Cases”。

指定参与分析的变量，将选定的变量通过按钮箭头转移到箭头按钮右侧的“Variable[s]：”矩形框中；将标识变量通过下面一个箭头按钮转移到按钮右侧的“Label Cases by:”下面的矩形框中。

如果不使用系统默认值，或由于参与分析的变量量纲不一致需要指定选择项，则应该根据需要有选择性地执行下述某些步骤。

1．确定聚类方法

在主对话框中，点击“Med”按钮，展开分层聚类分析的方法选择对话框，即“Hierachical Cluster Analysis：Mod”。

在对话框中根据需要指定聚类方法、距离测度的方法、对数值进行转换方法，即标准化数值的方法和对测度的转换方法。

（1）聚类方法选择

“C1uster Mod：”表中列出可以选择的聚类方法：

Between-groups linkage组内连接

Within-groups linkage组内连接

Nearest neighbor最近邻法

Furthest neighbor最远邻法

Centroid clustering重心聚类法

Median clustering中位数法

Ward’s mod Ward最小方法。

(后三种聚类方法应与欧氏距离平方法一起使用)

几种方法的具体情况见下面的英文文档

（2）对距离的测度方法选择

在Mod中指定的是用哪两点间的距离的大小决定是否合并两类。距离的具体计算方法还根据参与距离的变量类型从以下三种对话框选择其一，展开选择菜单后再进行具体方法的选择。这三个对话框分别对应于等间隔测度的变量（一般为连续变量）、计数变量（一般为离散变量）和二值变量。这里只考虑连续变量的情况

“Interval”(系统默认)

Euclidean distance：Euclidean距离，即两观察单位间的距离为其值的平方和的平方根，该技术用于Q型聚类；

Squared Euclidean distance：Euclidean距离平方，即两观察单位间的距离为其值的平方和，该技术用于Q型聚类；

Cosine：变量矢量的余弦，这是模型相似性的度量；

Pearson correlation：相关系数距离，适用于R型聚类；

Chebychev：Chebychev距离，即两观察单位间的距离为其任意变量的值，该技术用于Q型聚类；

Block：City-Block或Manhattan距离，即两观察单位间的距离为其值的和，适用于Q型聚类；

Minkowski：距离是一个幂的度量，即变量的第p次幂之和的平方根；p由用户指定

Customized：距离是一个幂的度量，即变量的第p次幂之和的第r次根，p与r由用户指定。

（3）确定标准化的方法：“Transform Value”

“Standardize” 下为标准化列表

对数据进行标准化的可选择的方法有：

① None 不进行标准化，是系统默认值。

② Z scores 把数值标准化到Z分数。

③ Range -1to l把数值标准化到-1到+l范围内。选择该项，对每个值用变量或观测量的值的范围去除。如果值范围是0，所有值保持不变。

④ Maximum magnituds of 1 把数值标准化到值为1。该方法是把正在标准化的变量或观测量的值用值去除。如果值为0，则改用最小值去除，其商加1。

⑤ Range 0 to 1 把数值标准化到0到1的范围内，对正在被标准化的变量或观测量的值剪去最小值，然后除以范围。如果范围是0，对变量或观测量的所有值都设置成0.5。

⑥ Mean of 1 把数值标准化到一个均值的范围内，对正在被标准化的变量或观测量的值除以这些值的均值。如果均值是0，对变量或观测量的所有值都加1，使其均值为1。

⑦ Standard deviation of 1 把数值标准化到单位标准。该方法对正在被标准化的变量或观测量的值除以这些值的标准，如果标准为0，则这些值保持不变。

（4）测度的转换方法选择

对距离测度数值进行转换，在距离计算完成后进行。可选择的转换方法有三种，在“Md”对话框右下角的标有“Transform Mearure”的框中选择。

① Absolute Values 把距离值标准化。当数值符号表示相关方向，且只对负相关关系感兴趣时使用此方法进行变换。

② Change sign 把相似性值变为不相似性值，或相反。用求反的方法使距离顺序颠倒。

③ Rescale to 0-- 1 range 通过首先去掉最小值然后除以范围的方法使距离标准化。对于已经按某种换算方法标准化了的测度，一般不再使用此方法进行转换。

2．选择要求输出的统计量：Statistics对话框

Aggomeration schedule 输出聚合过程表

Proximity matrix：输出的是每个案例之间的欧氏距离平方表（Q型聚类）。

Cluster membership决定聚合的群数。试探性地做时就选none，做完后根据判断的合适的群数在输入确定的群数，这时会得出一个更多的结果cluster membership，即在此群数下，各案例所属的群。当然也可选择Range of solutions确定群数的范围。

3．选择统计图表: Plot

Dendrogram 树形图;

Icicle冰柱图:

对于生成什么样的冰柱图还可以进一步用以下选择项确定：

All clusters 聚类的每一步都表现在图中。可用此种图查看聚类的全过程。但如果参与聚类的个体很多会造成图过大，没有必要。可以使用下面一个选择项限定显示的范围。

Specified range of clusters 指定显示的聚类范围。当选择此项时，该项下面的选择框加亮，表示等待输入显围。在Start后的矩形框中输入要求显示聚类过程的起始步数，在Stop后的矩形框中输入显示中止于哪一步，把显示的两步之间的增量输入到By后面的矩形框中。输入到矩形框中的数字必须是正整数。

例如，输入的结果是：Start： 3 Stop： 10 By：2

生成的冰柱图从第三步开始，显示第三、五、七、九步聚类的情况。

None:不生成冰柱图

对于显示方向可以用Orientation下面的选择项确定：

Vertical纵向显示的冰柱图。(系统默认)

HoriZontal显示水平的冰柱图。

4．生成新变量的选择：se

聚类分析的结果可以用新变量保存在工作数据文件中。单击主对话框的“se”按钮，展开相应的对话框。可以看出只能生成一个表明参与聚类的个体最终被分配到哪一类的新变量。通过对话框可以选择是否建立新变量和建立的新变量含义。

None 不建立新变量。

Single solution：单一结果。生成一个新变量表明每个个体聚类所属的类。在该项后面的矩形框中指定类数。如果指定5 clusters，则新变量的值为1-- 5。

Range of solutions：指定范围内的结果。生成若干个新变量，表明聚为若干个类时，每个个体聚类后所属的类。在该项后商的矩形框中指定显围，即把表示从第几类显示到第几类的数字分别输入到From后面的矩形框和through后面的矩形框中。例如输入结果是“From 4 through 6”，在聚类结束后在数据窗中原变量后面增加了3个新变量分别表明分为4类时、分为5类时和分为6类时的聚类结果。即聚为4、5、6类时各观测量分别属于哪一类。

新变量选择完成后按“Continue”按钮，返回到主对话框。

（二）迭代聚类

Analyze--> C1assify--> K-Means Cluster

“Med”框，给出两个可选择的聚类方法：

1）Iterate and classify 选择初始类中心，在迭代过程中使用k-Means算法不断更换类中心，把观测量分派到与之最近的以类中心为标志的类中去；

2）Classify only 只使用初始类中心对观测量进行分类。

Number of clusters输入通过层次聚类或其他方式得出的聚类的合适的层数。

“Cluster Centers” 对话框有两项：

1）选择Read initial from 要求使用指定数据文件中的观测量作为初始类中心。选择此项单击鼠标键后，再按其后的“Flle”按钮，显示选择文件的对话框，指定文件所在位置（路径）和文件名。按“OK”按钮返回。在“Center”选择框中的“fi1e”按钮后面显示文件全名（包括路径）。

2）选择Write final as 要求把聚类结果中的各类中心数据保存到指定的文件中。作方法与上相似。

se对话框中有两项：

1)选择Cluster Membership 建立一个新变量，系统默认变量名为那qc1_1。其值表示聚类结果，即各观测量被分配到哪一类。其值为1、2、3...的序号。该变量存人输入数据文件（New Data窗中）。

2)选择Distance from cluster center 建立一个新变量。系统默认变量名为那qc1_2。聚类结束后把各观测量距所属类中心间的欧氏距离存入输入数据文件（数据窗中）。

Iterate对话框：

设置迭代参数的对话框。如果选择了“Iterate and classify”方法进行聚类，还可以进一步选择迭代参数。

1)Maximum Iterations：限定K-Means算法中的迭代次数。改变后面框中的数字，则改变迭代次数。当达到限定的迭代次数时迭代停止。系统默认值为10。

2)Convergence Criterion：指定聚类判据。其值必须大于0，小于1。系统默认值为0.02。即当两次迭代计算的最小的类中心的变化距离小于初始类中心距离的百分之二时迭代停止。

3) Use Running means 选择此项，限定在每个观测量被分配到一类后即刻计算新的类中心。如果不选择此项，则在完成了所有观测量的一次分配后再计算各类的类中心。不选择此项会节省迭代时间。

Option对话框：输出统计量的选择项与缺失值处理

在Statitstacs组中可以选择要求计算和输出的统计量有：

Initia1 c1uster centers初始类中心

ANOVA table 方分析表

C1uster rmation for each case每个观测量的分类信息。如分配到哪一类和该观测量距所属类中心的距离。

以上三项可以选择其中几项，也可以全选。

在Missing Va1ues组中选择一种处理带有缺失值观测量的方法，共有两种选择：

1）Exclude cases listwise将带有缺失值的观测量从分析中剔除。

2）Exclude cases pairwise只有当一个观测量的全部聚类变量值缺失时才将其从分析中剔除。否则根据其它非缺失变量值把它分配到最近的一类中去。

其它有用的使用：

1）筛减cases：

因为聚类分析计算的速度相对比较慢，而且如果case太多，结果也难于解释。有时可以将庞大的样本中进行随机筛选，取出小样本，进行聚类分析。下面是一种方法：

data-->select cases，选中random sample of cases，点击sample 复选框，弹出一个新的选框。Approximay( )% of all cases。在括号里填入从所有样本中选取的案例百分比。然后ok。

另外，在unselected cases are选框下有两种选择，filtered并不从原数据中将没有选中的case删除，只是“过滤”掉了；

deleted则是删掉了，然后形成一个新的数据。

2）求“群重心”的步骤：

之前须先将聚类结果保存在了原数据中。这里设保存的结果列命名为“cluster-3”.

Analyse-->compare means-->means

Dependant list选入准备参与比较的聚类变量和非聚类变量。Independant list选入保存的聚类结果“cluster-3”。

Option复选框，cell statistics选入mean,然后continue,ok.

3）使用k-means 确定初始群重心时，

centers-->initial from format选定，未知的在于file的格式。如下：

列：表示分成的群组数，如1、2、3…

以后各列为各聚类变量，注意与所在群组相对应。如果实在搞不定，可以先不选择initial from format，而选下面的write final as，呵呵，知道什么意思吗，先试一下，以确定正确的格式，再把数据替换一下就可以了。

excel表：整理一份excel数据表，列为材料或数据的名称，后几列为各项数值

导入数据：打开SPSS，点击File——Open——DATA, 选择已经编辑好的excel表

点击yze——Classify——Hierarchical cluster ysis——数据导入variables，表头项导入label case by；

选择Mod 项，根据需要选择方法，点击Plots选择dendrogram（打对勾），其余各项根据自己需要选择要计算的统计量，点击ok即可。

使用spss进行聚类分析如何处理数据

聚类分析就是把样本分成很多个类别 然后再利用得到的类别数据去对比异这些，比如得到三类，对比这三类群体在消费行为，消费习惯上的异这些。聚类得到类别后，一定需要了解清楚不同类别群体的异性。

可以使用网页在线spssau就是网页版本spss进行分析，里面可以自己设置得到的类别个数，出来就是不同类别的特征异，以及也直接得到类别数据 用于后面的对比分析等。

聚类算法数据分析

提到聚类算法，K-Means算是略懂数据分析的人都知道的一种。但K-Means也有其局限性，基本只能处理数值型聚类。而且按距离进行聚类而非密度，无法处理环形图样。实际在使用聚类算法时，还有很多技巧性问题。

聚类算法需要各变量间相关性较低，可以采用DataFrame的corr()函数进行相关性计算。另外，聚类的变量要区分离散值和非离散值。对于非离散变量，需要进行标准化或归一化；对于离散变量，可以转换为虚拟变量，并采用{0, 1}编码。建议采用min-max标准化，这样和虚拟变量保持相同的相同范围。

对于包含非离散变量和虚拟变量的数据集（通常情况），建议采用K-Prototype而非K-Means算法进行聚类。在使用时可以标记相关虚拟变量，确保区别处理（实际虚拟变量采用K-Modes，非离散变量采用K-Means，再基于权重a进行结果合并）。

KPrototypes(n_clusters=np).fit(df.values, categorical=[1, 2])

其中的1, 2代表df数据集中的第1, 2列（从0计数）。评估聚类算法可以基于轮廓系数，对比不同的K值，在业务允许范围内得到K值。建议的轮廓系数函数是silhouette_score，其值为1，越接近1越好，可以在不同算法情况下进行相对比较。

除轮廓系数外，还可以降维绘制散点图（通过TSNE降维），按聚类算法分类对散点进行着色，进而直观的进行聚类算法分类结果的判断。

TSNE(n_components=2)

总结来说，整个聚类算法数据分析的作步骤如下：

1. 构建低相关性变量数据集（通过给高相关性变量设置固定值）；

2. 对非离散变量进行min-max归一化作；

3. 对包含虚拟变量的数据集采用K-Prototype聚类算法，对只包含非离散变量的数据集采用K-Means算法；

4. 通过轮廓系数silhouette_score对K值进行循环测试，得到K值；

5. 通过TSNE将数据集降维为两维显著特征值，并通过散点图，配合聚类算法分类结果配色对聚类算法分类结果进行合理判断；

6. 对聚类算法分类结果，结合业务逻辑进行解释，确保分类结果支撑业务分析。