1. 打開數據，依次選擇 分析-> 分類 -> K-均值聚類…
2. 將分類的關鍵變量選入，這里以PM2.5和O3的監測數據為例。
3. 單擊 迭代…，將 最大迭代次數設置成一個將大的數值，單機 繼續
4. 單擊 保存…，勾選 聚類成員和與聚類中心的距離，單擊 繼續
5. 單擊 選項…，勾選 統計中的所有選項，缺失值中選擇 成列排除個案，單擊 繼續
6. 聚類數設置為5，單擊確定
7. 結果解讀：迭代歷史記錄，反應了迭代過程中聚類中心的變動情況。第10次無變動，說明算法收斂。
8. 結果解讀：最終聚類中心，是個各類的均值，可用於之后的分類。
9. 結果解讀：最終聚類中心之間的距離，可用於分析聚類情況是否合適，是否有必要減少或增加類的數量
10. 結果解讀：ANOVA（單因素方差分析），可根據F值大小近似得到變量對聚類的貢獻，如下表說所示，重要程度排序為 O3_OBS > PM25_OBS，同時 二者的顯著性均低於0.05，均對聚類有顯著的貢獻。
11 .結果解讀：每個聚類中的個案數目，統計各類別數目及缺失情況。
12. 聚類結果，會保存在數據表中，QCL_1標注個案的類別，QCL_2表示個案與聚類中心的距離
13. 可視化，依次選擇 圖形 -> 圖表構建器…
14. 選擇 散點圖/點圖 中的分組散點圖，將其拖入繪圖展示區中
15. 將O3_OBS和PM25_OBS分別拖入橫軸和縱軸
16. 將個案聚類編號拖入設置顏色方框中，單擊確定
17. 繪圖效果如下所示，可以直觀展示聚類效果。
參考資料：
https://www.sohu.com/a/208536450_109461
https://blog.csdn.net/weixin_44255182/article/details/108969852