k-means聚类是聚类方法中的一种，通常我们要预先确定case到底可以分为几类，然后才能进行这个聚类分析。另外，注意查看各个变量的量纲、平均数、方差齐性，如果不满足同质性，需要进行正太化转变，当然，数据要满足正态分布才可以啊哦。工具/原料more这种聚类方法不能自动的计算变量的Z分数，如果数据差异过大，量纲不同，需要进行z分数的转换，下面的操作没有告诉你如何转换z分数，你需要注意BRBRk-means的聚类的原理是迭代，迭代本身是无限的过程，如果没有命令，计算机就一直迭代下去，这样计算会很慢，所以我们设置一个迭代次数，比如100，那么迭代100次就必须停止。活着spss中有迭代停止的标准spss20.0BR方法/步骤1/12分步阅读

准备好数据，在菜单栏上执行：analyse--classify--k-means cluster，打开k平均数对话框

2/12

将聚类用到的指标变量放入variables，将客户的编码放到label cases by当中，把客户编号作为case的标签

3/12

接着要设置聚类的类别数目，如图所示，这个数目不是随便给的，他有两个来源：要么是你根据工作经验，认为数据分为几类是最合理的；要么是你有前人的研究证明分为几类。

4/12

在主对话框中，点击iterate按钮，打开迭代对话框

5/12

将最大迭代次数设置为100，下图你看到的默认的迭代次数为10，但是数据量越大，迭代次数就应该越多，所以我们设置为100.点击continue按钮，返回到主对话框。

6/12

点击save按钮，因为我们想要保存分类的结果，并将结果保存到一个变量当中

7/12

打开一个自对话框，勾选cluster membership，点击continue返回到主对话框

8/12

点击ok，开始运行数据，并输出数据结果

9/12

我们看到的第一个表格叫做初始聚类中心，它列出每一个类别初始的中心点，这些中心点都是spss自动生成的。因为case的顺序会影响到中心点的位置，所以我们需要让case的顺序是随机的，有必要的时候要进行随机化处理

10/12

下面的两个表格是迭代过程表，你可以看到每一次迭代中心点的变化值，当中心点的变化小于初始类别中心最小距离的2%的时候，迭代就停止了，你看到的第二幅图在迭代35次以后就停止了迭代

11/12

下面这个表格叫做最终聚类中心，也就是各个类别在各个变量上的平均值，它可以帮助我们根据变量的平均值来给分类赋予实际的意义

12/12

最后的表格叫做各个类别case数，你可以读出在每一个类别中有多少case

k-means