Python，读取CSV文件，按照每一行数据为一组的方式读取（数据需要进行归一化），然后将所有组用K-means函数聚成30类，然后针对于每一类的可视化结果，求其结果的平均曲线，其中X轴和Y轴存在小数，并将所求的平均曲线可视化，要求每一类所求出来的平均曲线要可视化成一个图形，一共可视化30个图形（不要划分子图），然后将这30类的每一类的平均曲线相加起来，得到一个总的平均曲线，并将其可视化 。

好的，这是一个比较复杂的任务，需要用到Python中的多个库和技术。以下是一个实现的基本步骤：

1. 使用Python中的csv库读取CSV文件，并将每一行数据转换为一个列表或数组。
2. 对数据进行归一化，可以使用sklearn库的MinMaxScaler进行归一化处理。
3. 使用sklearn库的KMeans函数将数据聚类为30类。
4. 针对每一类的数据，计算其平均曲线，可以使用numpy库的mean函数。
5. 将每一类的平均曲线可视化成一个图形，可以使用matplotlib库实现。
6. 将30个图形相加，得到总的平均曲线，并将其可视化。

以下是一个大致的代码框架，需要根据具体的数据和需求进行调整和完善：

import csv
from sklearn.preprocessing import MinMaxScaler
from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt

# 读取CSV文件数据
data = []
with open('data.csv', 'r') as csvfile:
    reader = csv.reader(csvfile)
    for row in reader:
        data.append(row)

# 数据归一化
scaler = MinMaxScaler()
normalized_data = scaler.fit_transform(data)

# KMeans聚类
kmeans = KMeans(n_clusters=30)
kmeans.fit(normalized_data)
labels = kmeans.labels_

# 计算每一类的平均曲线
mean_curves = []
for i in range(30):
    class_data = normalized_data[labels == i]
    mean_curve = np.mean(class_data, axis=0)
    mean_curves.append(mean_curve)

# 可视化每一类的平均曲线
for i in range(30):
    plt.plot(mean_curves[i])

# 计算总的平均曲线并可视化
total_mean_curve = np.mean(normalized_data, axis=0)
plt.plot(total_mean_curve)

plt.show()

注意，以上代码仅为基本框架，需要根据具体的数据和需求进行调整和完善。