聚类分析的应用案例？聚类分析的其他应用场景 案例为一般消费场景中，通过将客户的消费行为数据转换成RFM特征数据，通过聚类分析对目标客户进行群体分类，找出有价值的特定群体。样本无缺失值，通过对样本绘制分布散点图，可以看到客户数据消费频数低，那么，聚类分析的应用案例？一起来了解一下吧。
操作设备：戴尔电孙销脑
操作：win10
1、首先通过快捷方式打开SPSS分析，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，其中姓名是字符串则吵游类型，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--->聚类。
5、打开聚类分析窗口碰态，将变量M和变量C移到变量框中。
6、点击右侧统计按钮，打开聚类分析：统计窗口，选择集中计划，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、最后点击聚类分析窗口中的确定按钮，然后生成聚类分析结果和图形展示。
怎么做聚类分析？
聚类分析是通过数据建模简化数据的一种方法，“物以类聚，人以群分”正是对聚类分析最好的诠释。从分析角度上看，聚类分析可分为两种，一种是按样本（或个案）聚类，此类聚类的代表是K-means聚类方法；另外一种是按变量（或标题）聚类，此类聚类的代表是分层聚类（聚类）。具体聚类方式的概括如下表：
案例背景：当芦胡前有8个裁判对300名选手打分，最低分为1分，最高分为10分；希望对8个裁判进行聚类，以识别出裁判的风格类型。总共8个裁判共有8列数据，并且共有300行。由于打分全部均是从1到10分，8列数据的单位均一样，因此在分析之前不需要进行标准化数据（当然进行标准化处理也没有问题）。
操作
本案例中总共涉及8个标题，SPSSAU操作截图如下：
SPSSAU会默认聚类为3类并且呈现表格结果，如果希望更多的类别个数，可自行进行设置。
SPSSAU输出结果
SPSSAU会首先输出聚类项的基本描述情况，接着输出每项的聚类类别归属情况；并且输出树状图，如下所述：
上表格展示总共8个分析项（即8个裁判数据）的基本情况，包括均值，最大或者最小值，中位数等，以便对于基础数据有个概括性了解。整体上看，8个裁判的打分基本平均在8分以上。
之前的笔记：
聚类介绍： 点这里
层次聚类分析案例（一）：世界银行样本数据集
层次聚类分析案例（二）：亚马逊雨林烧毁情况
层次聚类分析案例（三）：基因聚类
食品消费模式是医学和营养学领域简枝关注的一大热点。食物消费与个人的整体健康、食物的营养价值、购买食品的拦改敏经济性和消费环境有关。这项分析涉及25个欧洲国家肉类和其他食品之间的关系。观察肉类和其他食品的相关性是很有意思的。这些数据包括：红肉、白肉、蛋类、牛奶、鱼类、谷类、淀粉类食品、坚果（包括豆类和油籽）、水果和蔬菜。
准备工作
为了应用k均值聚类，我们使用欧洲25个国家的蛋白质消费量数据集。
第1步：收集和描述数据
该任务使用名为protein的数据集，该数据集以歼唯标准格式存储在CSV格式的文件中，其中包含25行数据和10个变量。 数据获取路径
数值型变量如下：
RedMeat
WhiteMeat
Eggs
Milk
Fish
Cereals
Starch
Nuts
Fr&Veg
非数值型变量如下：
Country
具体实施步骤
以下为实现细节。
第2步：探索数据
让我们探索数据并理解变量间的关系。
我们有时需要对一波总体样本进行分群，从而更好地了解群体之间的差异，通过聚类分析可以帮助我们解决这个问题。聚类分析在市场细分、人群细分等方面可以给我们很多启发。
聚类分析在SPSS中分为聚类、K聚类及两步聚类。
从区别上看，聚类、K聚类主要针对的是计量资料，而两步具备可同时对计量资料、计数资料进行处理。
尽管在日常工作涉及的问卷中，计数资料涉及得较少，但从结果解读方面，仍然是两步聚类的解读更为直观。
以两步聚类为例，我们来看一个案例：
经过本篇文章学习，您能够对问卷数据做以下分析：
①对总样本进行聚类
②筛选满足不同条件的个案进行进一步分析（选择个案）
TIPS：在两步聚类前，一定要先清洗数据，因跳转题而出现的-3值，要全部清除掉之后再进行聚类操作
1.分析-分类-两步聚类
2.将可能影响到人群细分结果的变量选入分类变量中
连续变量在本次问卷题目中未涉及，因此不选
这一步的变量选择在不确定的情况下，可能需要多次聚类验证，一定要选卖虚择聚类效果最佳的那几个变量
这里已经根据最佳效果选择好了相关变量
3.选项-操作默认
若涉及到连续变量，在【要标准化的变量】中，将出现连续变量
这里未涉及连续变量，因此这里未显示任何变量
4.输出
勾选上方的图表和表格、创建聚类成员变量
5.确定
6.结果解读
首先会出现一个简单的图，先来看一下这个图
显示我们输入了8个相关变量，聚类为5类
我们本次预测质量处在【良好】区间（这一步可多试几个变量，选择预测质量最好的那次即可）
双击这张图，会中顷燃出现2个视图框
左侧还是刚刚的图，右侧则出现了本次5种聚类在总样本的占比情况
请注意，现在左侧视图默认在【模型概要】
我们现在选择【聚类】，会根据预测变量重要性出现一张渐变颜色的表格
逐一选择5个聚类所在的列，右侧选择【单元分布】，会显示聚类比较的结果
回到数据视图中，原表格中最后一新增了一列TSC，显示的数值则是根据本次聚类，每个人对应在哪个分类的结果。
案例详解SPSS聚类分析全过程
案例数据源：
有20种12盎司啤酒成分和价格的数据，变量包括啤酒名称、热量、钠含量、酒精含量、价格。【一】问题一：选择那些变量进行聚类?——采用“R型聚类”
1、现在我们有4个变量用来对啤酒分类，是否有必要将4个变量都纳入作为分类变量呢?热量、钠含量、酒精含量这3个指标是要通过化验员的辛苦努力来测定，而且还有花费不少成本，如果都纳入分析的话，岂不太麻烦太浪费?所以，有必要对4个变量进行降维处理，这里采用spss R型聚类（变量聚类），对4个变量进行降维处理。输出“相似性矩阵”有助于我们理解降维的过程。昌胡
2、4个分类变量量纲各自不同，这一次我们先确定用相似性来测度，度量标准选用pearson系数，聚类方法选最远元素，此时，涉及到相关，4个变量可不用标准化处理，将来的相似性矩阵里的数字为相关系数。若果亮枣有某两个变量的相关系数接近1或－1，说明两个变量可互相替代。3、只输出“树状图”就可以了，个人觉得冰柱图很复杂，看起来没有树状图清晰明了。从proximitymatrix表中可以看出热量和酒精含量两个变量相关系数0．903，最大，二者选其一即可，没有必要都作为聚类变量，导致成本增加。
以上就是聚类分析的应用案例的全部内容，之前的笔记： 聚类介绍： 点这里 层次聚类分析案例（一）：世界银行样本数据集 层次聚类分析案例（二）：亚马逊雨林烧毁情况 层次聚类分析案例（三）：基因聚类 食品消费模式是医学和营养学领域关注的一大热点。
