Spss K-means聚类分析案例——某移动公司客户细分模型
聚类分析在各行各业应用十分常见，而顾客细分是其最常见的分析需求，顾客细分总是和聚类分析挂在一起。
顾客细分，关键问题是找出顾客的特征，一般可从顾客自然特征和消费行为入手，在大型统计分析工具出现之前，主要是通过两种方式进行“分群别类”，第一种，用单一变量进行划段分组，比如，以消费频率变量细分，即将该变量划分为几个段，高频客户、中频客户、低频客户，这样的状况；第二种，用多个变量交叉分组，比如用性别和收入两个变量，进行交叉细分。
事实是，我们总是希望考虑多方面特征进行聚类，这样基于多方面综合特征的客户细分比单个特征的细分更有意义，这正是spss聚类分析可以做到的，以下通过k-means聚类分析做一个小小案例来展示。
【数据来源及分析内容】
《SPSS统计分析高级教程》telco.sav，是反映移动电话用户使用手机情况的数据集。包含7个变量：用户编号、工作日上班时间电话时长、工作日下班时间电话时长、周末电话时长、国际电话时长、总通话时长、平均每次通话时长，现希望对移动用户细分，了解他们不同的手机消费习惯。根据研究调研及经验，认为移动用户应分为5个主要消费群体。数据分析工具：spss，参考教程：张文彤，《 SPSS12 统计分析高级教程》。
【数据分析流程】
【获取数据】
【数据预处理】
现在存储于后台的数据太多了，以前做项目担心没有真实可靠的数据，现在这个问题没有那么复杂，但数据太多却引发了其他问题。辛苦采集到的数据口径不一致，存储格式不同，不符合数据分析要求还有待派生新的变量。
这些过程看似简单却非常有必要！
仅仅预处理以上这些问题还不够，当数据分析方法复杂时，我们还需对采集的数据进行筛选构成小的数据集，对于数据集中变量的分布、缺失、描述统计指标进行一定程度的分析。
【数据分析】
K-means聚类也称快速聚类，可以用于大量数据进行聚类的情形。在开始聚类之前，需要分析者自己制定类数目，并不是一次指定，可以经过多轮反复分析，根据实际情况最终判定最优类的数目。 K-means聚类是采用计算距离的方式测度变量间的亲疏程度，距离直接影响最终的结果，因此慎重审核数据质量。
【分析结论】
做一个数据分析的项目，不能不下结论！
雷声大，雨点小的事情，作为数据分析师千万要避免发生。提交数据分析报告，对分析下结论，对业务问题进行及时解决，养成这个良好的习惯。
本文来自：
本文地址：
SPSS聚类分析——一个案例演示聚类分析全过程
K-means聚类算法原理分析与实际应用案例分析（案例分析另起一篇博客）
K-means 之国足小例子
市场研究中的数据分析知识整理 （三）-聚类分析
笔记︱多种常见聚类模型以及分群质量评估（聚类注意事项、使用技巧）
SPSS聚类分析——一个案例演示聚类分…
IBM SPSS Modeler 【2】 两步聚类
没有更多推荐了，Python2中文网：http://python2.cn
IBM SPSS Modeler 【1】 K均值聚类
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。
图 6 用于查看数据的“表”窗口
图 7 工作区中的“类型”节点
（4）使用“类型（Type）”节点选择聚类分析的字段。选中“DRUG1n”节点，在 “字段选项”选项卡中双击“类型”节点，则 “类型”节点出现在工作区中，如图 7 所示。右键单击“类型”节点，选择“编辑”，可以看到一张关于字段的表，如图 8 所示。然后将所有字段的角色项设为“输入”，这表示要将所有字段进行聚类分析。最后点击“确定”按钮。
图 8 “类型”节点编辑窗口
（5）进行接入模型。首先，使用 K-Means 模型进行聚类分析。选择工作区的“类型”，在窗口底部“建模”选项卡中，找到“K-Means”模型，并双击。在工作区中，即得到一个
K-Means 模型节点，如图 1-9 所示
图 9 工作区中的“K-Means”模型
（6）编辑 K-Means 节点。右键单击工作区的“K-Means”，选择“编辑”，打开如图 10 的“K-Means”节点窗口。在“生成距离字段”的选择框中打勾，其他选择采用默认设置。
点击“运行”按钮，即生成 K-Means 聚类分析。
图 10 “K-Means”模型编辑窗口
（7）查看 K-Means 聚类分析结果。在窗口右上侧区域的“模型”选项卡中，可以看到 K-Means 的模型，右键单击，并选择“浏览”，既可以看到 K-Means 聚类分析图，如图 11 所示。
图 11 “K-Means”聚类分析图
（8）分析 K-Means 聚类分析。从图 11 中可以看到，聚类分析将源数据分成了五个聚类，每个类占总数的比例分别为 27.5%，23.0%，19.5%，15.5%和 14.5%。其中，对分类字段的依赖性依次由药类含量、血压、钾含量、胆固醇含量、钠含量、年龄和性别逐渐递减，其他的分析结论不在此细诉。
至此，已经完成了 K-Means 聚类分析实验的全部步骤。
深入理解K-Means聚类算法
K均值聚类算法(K-Means)
Spss K-means聚类分析案例——某移动公司客户细分模型
SPSS聚类分析——一个案例演示聚类分析全过程
IBM SPSS Modeler 【2】 两步聚类
机器学习（八）：寻找数据的分组——k均值聚类
SPSS中八类常用非参数检验之四：单样本K-S检验
用K-均值聚类来探索顾客细分
数据挖掘学习笔记--系统聚类法和K均值聚类法
数据分析的基本模型——K均值聚类
没有更多推荐了，2018年最新SPSS Modeler14.1数据挖掘培训视频视频教程附资料与作业 51课&& 课程介绍:这是一套非常基础容易理解的数据挖掘视频教程，首先讲解数据挖掘理论基础的各种算法，并配合excel建模、Oracle数据库来整理数据，最后，通过SPSSModeler数据挖掘软件来进行数据挖掘的实操演练，配套资料全，有数据作业讲义。纯手把手教学，spssmodeler用的是14版本也比较新。课程目录:第一章数据挖掘基础内容讲解1.1、数据挖掘初探1.2、数据挖掘功能介绍1.3、Excel基础知识1.4、Excel应用示范1.5、Oracle数据库安装1.6、数据库应用示范11.7、数据库应用示范21.8、数据获取及存储1.9、-相关知识介绍1.10、数据预处理-excel部分1.11、数据预处理-oracle部分1.12、预测算法-线性回归11.13、预测算法-线性回归21.14、分类算法-ID3决策树介绍1.15、分类算法-决策树建模处理1.16、分类算法-excel建模实现1.17、关联算法-Apriori算法介绍1.18、关联算法-oracle数据处理1.19、关联算法-excel数据处理1.20、关联算法-excel建模实现1.21、聚类算法-kmeans算法介绍1.22、聚类算法-excel建模实现1.23、最优化求解11.24、最优化求解2第二章SPSSMODELER数据挖掘2.1、SPSSModeler下载及安装2.2、SPSSModeler数据获取及记录处理2.3、SPSSModeler结果输出2.4、SPSSModeler数据字段处理2.5、SPSSModeler数据探索及分析12.6、SPSSModeler数据探索及分析22.7、SPSSModeler图形探索及分析12.8、SPSSModeler图形探索及分析22.9、SPSSModeler回归分析内容补充2.10、SPSSModeler回归分析建模2.11、SPSSModeler逻辑分析建模2.12、RFM介绍2.13、RFM建模2.14、RFM模型应用2.15、SPSSModeler分类-商业理解2.16、SPSSModeler分类-数据理解2.17、SPSSModeler分类-数据准备2.18、SPSSModeler分类-决策树算法补充2.19、SPSSModeler分类-决策树建模2.20、SPSSModeler分类-神经网络2.21、SPSSModeler分类-模型评估2.22、SPSSModeler关联分析-Apriori算法补充2.23、SPSSModeler关联分析-Apriori建模2.24、SPSSModeler关联分析-序列2.25、SPSSModeler聚类分析-KMeans2.26、SPSSModeler聚类分析-TwoStep12.27、SPSSModeler聚类分析-TwoStep2 &苹果/安卓/wp
积分 17, 距离下一级还需 7 积分
道具: 涂鸦板, 彩虹炫, 雷达卡, 热点灯
购买后可立即获得
权限: 隐身
道具: 金钱卡, 变色卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
如图，已经输出模型，点开模型，选择聚类-4，然后生成一个导出节点，怎么按这个导出节点的规则把分在聚类-4中的数据输出？
临时用一下clementine，翻了不少说明文档，实在找不到怎么弄，谢谢各位了。
加入输出选项板里的“表格”节点。
当然用 导出
我帮你置顶，希望有大牛来帮助你
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师基于SPSS Modeler的数据挖掘（第二版）（统计数据分析与应用丛书）百度会学 - 定义优质教育资源
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于SPSS Modeler的数据挖掘（第二版）（统计数据分析与应用丛书）
分473人在读
扫一扫领20元阅读代金券
相关书籍榜单
　　数据挖掘具有广阔的应用领域和发展前景。SPSS Modeler因界面友好且操作简捷，成为公认的数据挖掘实战的软件。　　基于多年的教学和科研经验，作者深知数据挖掘理论和软件操作相结合的重要性，努力在本书中突出以下特点：　　?以数据挖掘过程为线索讲解Modeler软件操作。本书以数据挖掘实践过程为主线，从Modeler数据管理入手，说明问题由浅入深，讲解方法从易到难，旨在使读者在较短时间内掌握Modeler的基本功能和一般方法，并迅速运用到数据挖掘实战中。　　?数据挖掘理论的讲解通俗易懂，避免数学公式的罗列。本书对Modeler中的经典数据挖掘算法娓娓道来，旨在使读者知其然更知其所以然，加深对数据挖掘分析结论的理解和应用。　　?将数据挖掘方法、软件操作、案例分析有机结合。本书在论述数据挖掘方法核心思想和基本原理的同时，配合案例数据展示实战过程，旨在使读者直观理解理论，正确应用方法。
薛薇，工学硕士，经济学博士，中国人民大学应用统计科学研究中心副主任，中国人民大学统计学院副教授。关注数据挖掘及统计建模、统计和数据挖掘软件应用、统计数据库系统研发等方面。涉足网络新媒体舆论传播和互动建模、政府和官方微博分析、电商数据分析、学科学术热点跟踪等文本挖掘，以及社会网络分析和以数据挖掘为依托的客户关系管理等领域。
第1章数据挖掘和Modeler使用概述1．1数据挖掘的产生背景1．2什么是数据挖掘1．3Modeler软件概述第2章Modeler的数据读入和数据集成2．1变量类型2．2读入数据2．3生成实验方案2．4数据集成第3章Modeler的数据理解3．1变量说明3．2数据质量的评估和调整3．3数据的排序3．4数据的分类汇总第4章Modeler的数据准备4．1变量变换4．2变量派生4．3数据精简4．4数据筛选4．5数据准备的其他工作第5章Modeler的基本分析5．1数值型变量的基本分析5．2两分类型变量相关性的研究5．3两总体的均值比较5．4RFM分析第6章Modeler的数据精简6．1变量值的离散化处理6．2特征选择6．3因子分析第7章分类预测：Modeler的决策树7．1决策树算法概述7．2Modeler的C5?0算法及应用7．3Modeler的分类回归树及应用7．4Modeler的CHAID算法及应用7．5Modeler的QUEST算法及应用7．6模型的对比分析第8章分类预测：Modeler的人工神经网络8．1人工神经网络算法概述8．2Modeler的B?P反向传播网络8．3Modeler的B?P反向传播网络的应用8．4Modeler的径向基函数网络及应用第9章分类预测：Modeler的支持向量机9．1支持向量分类的基本思路9．2支持向量分类的基本原理9．3支持向量回归9．4支持向量机的应用第10章分类预测：Modeler的贝叶斯网络10．1贝叶斯方法基础10．2贝叶斯网络概述10．3TAN贝叶斯网络10．4马尔科夫毯网络10．5贝叶斯网络的应用第11章探索内部结构：Modeler的聚类分析11．1聚类分析的一般问题11．2Modeler的K?Means聚类及应用11．3Modeler的两步聚类及应用11．4Modeler的Kohonen网络聚类及应用11．5基于聚类分析的离群点探索第12章探索内部结构：Modeler的关联分析12．1简单关联规则及其有效性12．2Modeler的Apriori算法及应用12．3Modeler的序列关联及应用参考文献
数据挖掘技术具有广阔的应用领域和发展前景，众多有识之士纷纷选择SPSS Modeler作为数据挖掘的工具软件，因此SPSS Modeler软件已经连续多年雄踞数据挖掘应用软件之首。
Modeler的前身名为Clementine，2009年IBM公司收购了SPSS数据分析软件公司，并将其广受赞誉的SPSS统计分析软件和Clementine数据挖掘软件进行整合，将Clementine更名为SPSS Modeler（简称Modeler）后再次推向全球市场。
Modeler充分利用计算机系统的运算处理能力和图形展现能力，将方法、应用与工具有机地融为一体，是解决数据挖掘问题的最理想工具。
Modeler不但集成了诸多计算机科学中机器学习的优秀算法，同时也综合了一些行之有效的统计分析方法，成为内容最为全面、功能最为强大、使用最为方便的数据挖掘软件产品。
Modeler继续保持了SPSS产品的一贯风格：界面友好且操作简捷。原因在于Modeler始终把自己的操作者定位于实际工作部门的一线人员，而不是数据分析专家。这种所谓“傻瓜型”软件成为Modeler不断开拓市场的利器。
本书作者一直从事计算机数据分析的教学与科研工作，并长期跟踪研究SPSS公司的数据分析系列产品，具有相当丰富的数据分析软件开发经验。因此深知，一个基础相对薄弱的读者应该从哪些方面入手，才能很快地使用Modeler开始数据分析工作，并逐步成长为一名有经验的多面手。
我们认为读者掌握Modeler软件应体现三个层面：首先是软件操作层面，读者通过实际操作，尽快掌握软件的使用方法和处理步骤；其次是结果分析层面，读者通过案例演示，基本明白软件的输出结果，从而得出正确的分析结论；最后是方法论层面，读者通过对某个算法基本思路的了解，进一步提高方法应用和分析水平，升华对数据挖掘方法的认识。所以，注重对每种方法的操作使用、结果分析和算法基本思路的讲解是本书最重要的特征。
本书适用于从事数据分析的各应用领域的读者，尤其是商业销售、财会金融、证券保险、经济管理、社会研究、人文教育等行业的相关人员。同时，也能够作为高等院校计算机类、财经类、管理类专业本科生和研究生的数据挖掘教材。
针对上述读者群，在全书的编写中我们努力体现以下特色：
1.以数据挖掘过程为线索介绍Modeler
目前，具备基本的计算机操作能力已经不是读者的主要障碍，数据挖掘的过程与方法才是读者关心的主题和应用的难点。所以，本书以数据挖掘的实践过程为主线，从Modeler数据管理入手，说明问题从浅至深，讲解方法从易到难。这样，能使读者在较短时间内掌握Modeler的基本功能和一般方法，并可迅速运用到实际工作中去。
2.将数据挖掘方法、软件操作、案例分析有机结合
目前，经过消化的中文图书和资料相对短缺，Modeler相关图书一般都比较侧重对其英文手册的翻译介绍，侧重于对计算机操作过程的描述。而对数据挖掘方法则较多地罗列数学公式，输出结果也缺少恰当的解释。本书则结合实际案例，侧重数据挖掘方法核心思想和基本原理的阐述，以使读者直观理解方法，正确掌握方法的应用范围。
3. 数据挖掘方法讲解全面，语言通俗
本书对Modeler的数据挖掘算法进行了全面的分析和应用，内容力求丰富翔实。同时使用通俗的语言和示例讲述算法，尽量避免使用公式和推导堆砌算法。
请读者到人大经管图书在线(http://www?rdjg?com?cn)下载本书案例数据和数据流文件。数据流文件需使用Modeler 14.2以上版本打开，执行时只需修改数据源节点中的数据文件所在目录项，即可正确执行流文件。
在此特别感谢中国人民大学出版社对本书出版的大力支持和各位编辑热情细致的工作。由于水平所限，书中难免出现问题和错误，敬请各位读者批评指正。
相关书籍推荐