R语言对商场200位客户使用kmeans聚类法和系统聚类法进行聚类，对聚类结果进行可视化，并保存可视化结果，对两种聚类分析方法的聚类结果进行分析代码

首先，我们需要导入数据集。我们假设数据集的文件名为“customers.csv”，包含200个客户和它们的购买行为数据，其中每个客户有以下特征：年龄、性别、所在城市、购买频率、购买金额等。

# 导入数据
data <- read.csv("customers.csv")
head(data)

然后，我们可以使用kmeans函数对数据进行聚类分析。

# kmeans聚类分析
set.seed(123)  # 设置随机数种子
k <- 3  # 设置簇的数量
km <- kmeans(data[, 4:6], k)  # 只选取购买频率、购买金额和购买数量作为特征进行聚类
cluster <- km$cluster  # 获取聚类结果

接下来，我们可以使用hclust函数对数据进行系统聚类分析。

# 系统聚类分析
d <- dist(data[, 4:6])  # 计算数据点之间的欧几里得距离
hc <- hclust(d, method = "ward.D2")  # 使用Ward方法进行系统聚类
plot(hc)  # 可视化系统聚类结果
cluster <- cutree(hc, k = 3)  # 获取聚类结果

最后，我们可以使用ggplot2包对聚类结果进行可视化，并将可视化结果保存为图片。

# 可视化聚类结果
library(ggplot2)
data$cluster <- as.factor(cluster)  # 将聚类结果转换为因子变量
ggplot(data, aes(x = PurchaseFreq, y = PurchaseAmount, color = cluster)) +
  geom_point() +
  ggtitle("Cluster Analysis using kmeans and Hierarchical Clustering") +
  xlab("Purchase Frequency") +
  ylab("Purchase Amount") +
  theme(plot.title = element_text(hjust = 0.5))  # 居中显示标题

# 保存可视化结果为图片
ggsave("cluster_analysis.png", width = 8, height = 6, dpi = 300)

对于两种聚类分析方法的聚类结果进行分析，我们可以比较它们的聚类中心、聚类规模和聚类效果等指标。在这里，我们可以使用silhouette函数来评估聚类效果。

# 比较两种聚类分析方法的聚类效果
library(cluster)

# kmeans聚类效果
km_sil <- silhouette(km$cluster, dist(data[, 4:6]))
km_sil_summary <- summary(km_sil)
km_sil_summary$avg.width

# 系统聚类效果
hc_sil <- silhouette(cluster, dist(data[, 4:6]))
hc_sil_summary <- summary(hc_sil)
hc_sil_summary$avg.width

以上代码可以分别计算kmeans聚类和系统聚类的平均轮廓系数，来评估它们的聚类效果。平均轮廓系数越接近1，说明聚类效果越好。