spss软件聚类分析怎么用
spss聚类分析2篇
spss聚类分析2篇第一篇：SPSS聚类分析的基本操作步骤与原理SPSS软件作为一款专业化数据统计与分析工具，其功能十分强大，在各种分析领域都有深入的应用。
其中，聚类分析是一种常用的数据分析方法之一，通过对样本数据进行事先未知的分组，可以发现数据之间的内在联系和相似性，并进一步进行分类或归纳分析。
下面，我们将简单介绍SPSS聚类分析的基本操作步骤与原理。
一、数据准备在进行SPSS聚类分析前，需要准备好分析的数据集。
其中，每个样本需要包含多个属性或变量项，比如年龄、性别、地区、收入等。
同时，还需要确定使用哪些变量进行聚类分析，这些变量一般应具有一定的类别性、独立性和完备性等特点。
可以通过SPSS软件中的“数据”菜单栏进行导入和编辑。
二、SPSS聚类分析的基本步骤1、选择聚类变量在进行聚类分析前，需要选择一组合适的聚类变量，这些变量应当与样本的属性或特征相关，以便进行分类或差异分析。
可以通过在“数据”菜单下选择“聚类”进行设置。
2、选择计算距离方法对于聚类分析来说，计算距离是一项重要的操作。
不同的距离计算方法可以对聚类结果造成不同的影响。
SPSS软件中提供了多种距离计算方法，比如欧几里得距离、曼哈顿距离、切比雪夫距离等。
可以在“聚类”设置中进行选择。
3、执行聚类分析在进行聚类分析之前，需要先设置合适的参数，比如聚类数目、初始聚类中心等。
可以在“聚类”分析设置中进行调整。
完成参数设定后，选择“聚类”分析并执行操作即可。
4、聚类结果分析聚类分析完成后，可以对结果进行分析和评估。
一般来说，需要对每个群组进行描述性统计分析，比如均数、标准差等。
同时，还需要通过各种可视化方法呈现聚类结果，比如热图、散点图等。
通过聚类结果的分析，可以对样本数据进行分类和归纳分析，有助于研究者更好地推理出样本数据特征。
三、SPSS聚类分析原理SPSS聚类分析的原理基于数据相似性度量和聚合分组方法。
具体而言，在进行聚类分析时，首先需要确定相似性度量的方法，常用的包括欧几里得距离、曼哈顿距离等。
第九章SPSS的聚类分析
第九章SPSS的聚类分析1.引言聚类分析是一种数据分析方法，用于将相似的对象划分到同一组中，同时将不相似的对象划分到不同的组中。
SPSS是一种常用的统计软件，提供了聚类分析的功能。
本章将介绍SPSS中的聚类分析方法及其应用。
2.数据准备在进行聚类分析之前，需要准备好待分析的数据。
数据应该是定量变量或者定性变量，可以包含多个变量。
如果存在缺失值，需要处理之后才能进行聚类分析。
3.SPSS中的聚类分析方法在SPSS中，聚类分析方法有两种：基于距离的聚类和基于密度的聚类。
基于距离的聚类方法将对象划分到不同的组中，使得组内的对象之间的距离最小，组间的对象之间的距离最大。
常见的基于距离的聚类方法包括单链接聚类、完全链接聚类和平均链接聚类。
基于密度的聚类方法则通过考虑对象周围的密度来划分对象所属的组。
在SPSS中，可以使用层次聚类和K均值聚类这两种方法进行聚类分析。
3.1层次聚类层次聚类又称为分级聚类，它将对象分为一个个的层级，直到每个对象都成为一个单独的组为止。
层次聚类分为两种方法：凝聚层次聚类和分化层次聚类。
凝聚层次聚类是从每个对象作为一个单独的组开始，然后根据对象之间的距离逐渐合并组，直到所有的对象都合并到一个组为止。
凝聚层次聚类的最终结果是一个层级的分组结构，可以根据需要确定分组的层数。
分化层次聚类是从所有的对象开始，然后根据对象之间的距离逐渐分离成不同的组，直到每个对象都成为一个单独的组为止。
在SPSS中，可以使用层次聚类方法进行聚类分析。
通过选择合适的距离度量和链接方法，可以得到不同的聚类结果。
3.2K均值聚类K均值聚类是一种基于距离的聚类方法，通过计算对象之间的距离，将对象分为K个组。
K均值聚类的基本思想是：首先随机选择K个对象作为初始的聚类中心，然后将每个对象分配到离它最近的聚类中心，重新计算聚类中心的位置，直到对象不再发生变化为止。
K均值聚类的结果是每个对象所属的聚类，以及聚类的中心。
在SPSS中，可以使用K均值聚类方法进行聚类分析。
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。
用SPSS进行聚类分析(中文版)
选择聚类方法
根据数据类型和聚类目的选择 合适的聚类方法。常见的聚类 方法有层次聚类、K均值聚类 、DBSCAN聚类等。
层次聚类按照数据点之间的距 离进行层次式的聚类，可以生 成聚类树状图。
K均值聚类将数据点划分为K 个簇，使得每个数据点与其所 在簇的中心点之间的距离之和 最小。
DBSCAN聚类基于密度的聚类 方法，可以发现任意形状的簇 ，并去除噪声点。
03
根据实际需求和应用背景，对聚类结果进行解释和 应用。
03
CATALOGUE
K-means聚类分析
K-means聚类分析的原理
K-means聚类分析是一种无监督学 习方法，通过将数据划分为K个集群 ，使得同一集群内的数据点尽可能相 似，不同集群的数据点尽可能不同。
原理基于距离度量，将数据点分配给 最近的均值（即聚类中心），并不断 迭代更新聚类中心，直到聚类中心收 敛或达到预设的迭代次数。
K-means聚类分析的步骤
选择初始聚类中心
随机选择K个数据点作为初始聚类中心。
分配数据点到最近的聚类中心
根据距离度量，将每个数据点分配给最近的聚类中心。
更新聚类中心
重新计算每个集群的均值，将新的均值作为新的聚类中心。
迭代执行
重复步骤2和3，直到聚类中心收敛或达到预设的迭代次数。
K-means聚类分析的应用实例
系统聚类分析
系统聚类分析的原理
系统聚类分析是一种无监督的统计方法，通过将个体或群体按照其相似性或差异性进行分类，从而揭示数据内在的结构和模 式。
它基于个体间的距离或相似度进行分类，通过不断迭代和合并，最终形成若干个聚类，使得同一聚类内的个体尽可能相似， 不同聚类间的个体尽可能不同。
系统聚类分析的步骤
SPSS聚类分析实例讲解
SPSS聚类分析实例讲解SPSS是一款功能强大的统计分析软件，可用于数据清洗、描述统计分析、假设检验和聚类分析等。
聚类分析是一种无监督学习方法，其目标是按照数据的相似性度量，将样本数据划分为多个不同的群组。
下面将以一个实例来讲解如何使用SPSS进行聚类分析。
实例描述：假设有一个超市的销售数据，包含了不同商品的销售额、销售量和利润等信息。
我们希望将商品进行聚类分析，找出相似销售特征的商品群组。
步骤一：数据准备首先，将销售数据保存为一个.SP文件，然后打开SPSS软件。
在主界面上选择“文件”-“打开”-“数据库”-“从SPSS文件”，打开数据文件。
步骤二：变量选择在数据文件中，选择出要进行聚类分析的变量。
在“数据视图”中，选择那些代表销售特征的变量，例如“销售额”、“销售量”和“利润”。
在变量列上按住“Ctrl”键，同时点击这些变量名，选中它们。
步骤三：聚类分析点击菜单上的“数据”-“服务”-“聚类分析”进行聚类分析操作。
会弹出“聚类分析”对话框。
在对话框中，将选中的变量移到右侧的“变量”框中，并选择“K均值聚类”作为聚类方法。
K值是指要分成的群组数量，可以根据实际情况设定。
这里假设将商品分成3个群组，因此设置为3步骤四：聚类结果解读点击“确定”按钮，SPSS将自动进行聚类分析。
完成后，SPSS会在数据文件中生成一个新的变量，用于表示每个样本所属的群组。
在下方的“结果视图”中，可以看到聚类结果的统计数据、聚类中心和变量间的距离。
此外，在“分类变量资料”中，还可以看到每个样本所属的群组编号。
步骤五：聚类结果可视化为了更好地理解聚类结果，可以进行可视化展示。
点击菜单上的“图形”-“散点图”，在对话框中依次选择所属群组变量和销售额、销售量这两个变量。
点击“确定”按钮，即可生成散点图。
散点图可以清楚地显示出不同群组之间的差异和相似性。
根据散点图，可以对聚类结果进行解读。
例如，如果不同群组之间的点比较分散，则说明聚类效果较差；而如果不同群组之间的点比较集中，则说明聚类效果较好。
SPSS聚类分析具体操作步骤
• 对亍一个数据，人们既可以对变量（指标）迚行 分类(相当亍对数据中的列分类)，也可以对观测 值（事件，样品）来分类（相当亍对数据中的行 分类）。 • 比如学生成绩数据就可以对学生按照理科或文科 成绩（或者综合考虑各科成绩）分类， • 当然，并丌一定事先假定有多少类，完全可以按 照数据本身的规律来分类。
下面以对观测值聚类即Q型聚类为例 演示用spss迚行聚类分析的具体步骤： 对，对样本也就是观察个案的聚类
单击“方法”按钮弹出对话框
• 下拉框指定的是小类乊间的距离计算方法7种供用 户选择
• 度量标准 计算样本距离的方法
点击“继续”接下来指定SPSS分析图形输出
(二)“亲疏”程度的衡量 (1)衡量指标
–相似性:数据间相似程度的度量 –距离: 数据间差异程度的度量.距离越近,越“亲密”, 聚成一类;距离越远,越“疏远”,分别属亍丌同的类
(2)衡量对象
–个体间距离 –个体和小类间、小类和小类间的距离
两个距离概念
• 按照进近程度来聚类需要明确两个概念：一个是点和点乊 间的距离，一个是类和类乊间的距离。 • 点间距离有很多定义方式。最简单的是欧式距离，还有其 他的距离。 • 当然还有一些和距离相反但起同样作用的概念，比如相似 性等，两点越相似度越大，就相当亍距离越短。 • 由一个点组成的类是最基本的类；如果每一类都由一个点 组成，那么点间的距离就是类间距离。但是如果某一类包 含丌止一个点，那么就要确定类间距离， • 类间距离是基亍点间距离定义的：比如两类乊间最近点乊 间的距离可以作为这两类乊间的距离，也可以用两类中最 进点乊间的距离作为这两类乊间的距离；当然也可以用各 类的中心乊间的距离来作为类间距离。在计算时，各种点 间距离和类间距离的选择是通过统计软件的选项实现的。 丌同的选择的结果会丌同，但一般丌会差太多。
基于SPSS用K-means聚类做聚类分析
作业2：城镇居民消费结构的K-means聚类模型
本次作业为基于IBM SPSS Statistics 24的K-means聚类运算
一、第一步：导入数据，点击文件下方的图标，选中”案例2-城镇居民消费结构“，点击打开，
二、分析数据
1、点击Spss界面的“分析”，然后依次点击“分类”、“K-均值聚类”，如下图
2、在弹出的界面中点击“选项”，勾选“ANOVA表”，如下图，再点击“继续”
3、在弹出的界面中点击“保存”，勾选“聚类成员”、“与聚类中心距离”，如下图所示，点击“继续”
4、最后在弹出的界面中，把“地区”放入“个案标注依据”，其余的放入“变量”中，如下图所示，点击“确定”。
三、结果展示
ANOVA。
第九章SPSS的聚类分析
第九章SPSS的聚类分析聚类分析是一种将相似个体或对象归类到同一组中的统计方法，它通过测量个体或对象之间的相似性或距离来确定聚类的结构。
聚类分析在许多领域中都有广泛的应用，如市场分析、社会科学研究和生物学等。
在SPSS中进行聚类分析可以帮助研究人员和分析师更好地理解数据的结构和模式。
SPSS的聚类分析功能位于“分析”菜单下的“分类”子菜单中。
在打开聚类分析对话框后，用户需要选择聚类变量，并可以设置合适的聚类方法和距离度量。
可以使用的聚类方法包括层次聚类和K均值聚类，常用的距离度量有欧氏距离和曼哈顿距离等。
此外，用户还可以选择是否进行标准化处理和设置聚类数目等。
在进行聚类分析之前，用户需要对变量进行适当的数据准备工作，如缺失值处理、异常值处理和变量转换等。
这些数据准备步骤可以在“转换”菜单中的相应功能中完成。
对于聚类分析的结果，SPSS提供了多种显示和解释的方法。
在聚类过程完成后，SPSS会自动生成聚类结果的总结报告，该报告包含了关于聚类数目和每个聚类的统计信息。
用户可以通过“聚类概括”选项卡中的预览按钮查看聚类结果的总结报告。
此外，用户还可以通过“数量聚类输出”选项卡中的可视化按钮来生成聚类结果的可视化图形，如散点图和聚类树等。
在解释聚类分析的结果时，用户应该关注聚类数目和每个聚类的特征。
聚类数目可以根据数据的结构和目标进行选择，一般来说，聚类数目越多，聚类结果更详细，但也更复杂。
每个聚类的特征指的是在该聚类中具有相似特征的个体或对象。
用户可以通过查看每个聚类的平均值和标准差来得到关于每个聚类的特征。
总之，在SPSS中进行聚类分析可以帮助研究人员和分析师更好地理解数据的结构和模式。
通过选择合适的聚类变量、聚类方法和距离度量，以及适当的数据准备和结果解释，用户可以得到有关数据聚类结构的有用信息。
- 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)。
spss软件聚类分析怎么用，从输入数据到结果，树状图结果。
整个操作怎么进行。
需要基本思路。
excel表：整理一份excel数据表，第一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analyze——Classify——Hierarchical cluster analysis——数据导入variables，表头项导入label case by；选择Method 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。
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最优解. （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“Methed”按钮，展开分层聚类分析的方法选择对话框，即“Hierachical Cluster Analysis：Method”。
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 Method：”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 method Ward最小方差法。
(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Method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差的平方和的平方根，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差的平方和，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最大绝对差值，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差的绝对值和，适用于Q型聚类；Minkowski：距离是一个绝对幂的度量，即变量绝对值的第p次幂之和的平方根；p由用户指定Customized：距离是一个绝对幂的度量，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。
（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 把数值标准化到最大值为1。
该方法是把正在标准化的变量或观测量的值用最大值去除。
如果最大值为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差。
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差，如果标准差为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“Methd”对话框右下角的标有“Transform Mearure”的框中选择。
①Absolute 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: PlotDendrogram 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，表示等待输入显示范围。
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：save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“save”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最后所属的类。
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示范围，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 4through 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“Methed”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。
操作方法与上相似。
save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。