编写Python程序：对已完成标准化的大量数据文件A采用层级聚类方法，获得聚类中心与类标号。输出聚类中心的特征图，并统计每个类别的客户数

我可以帮您解答这个问题。首先，您需要安装Python的数据挖掘库scikit-learn，这个库提供了对层级聚类的支持。利用该库中的AgglomerativeClustering函数可实现层级聚类。下面是Python代码的示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import AgglomerativeClustering

# 加载数据文件A
data = np.load('data.npy')

# 对数据进行层级聚类，得到聚类标号
n_clusters = 4
model = AgglomerativeClustering(n_clusters=n_clusters)
cluster_labels = model.fit_predict(data)

# 计算每个类别的客户数
cluster_counts = np.zeros(n_clusters)
for label in cluster_labels:
    cluster_counts[label] += 1

# 将每个数据点划分到聚类中心
cluster_centers = np.zeros((n_clusters, data.shape[1]))
for i in range(n_clusters):
    mask = (cluster_labels == i)
    cluster_centers[i] = np.mean(data[mask], axis=0)

# 输出聚类中心的特征图
fig, ax = plt.subplots(n_clusters, 1, figsize=(8, 8))
for i in range(n_clusters):
    ax[i].imshow(cluster_centers[i].reshape(28, 28), cmap='gray')
    ax[i].axis('off')
    ax[i].set_title('Cluster {}'.format(i))
plt.tight_layout()
plt.show()

这段代码实现了对数据文件A的层级聚类，并输出了聚类中心的特征图和每个类别的客户数。注意，这段代码仅为演示用途，实际使用时需要根据数据文件的具体格式和属性进行修改。