Python代码，先读取一个CSV文件，按照每一行数据为一组的方式读取（数据需要归一化），然后将所有组用K-means函数聚成30类，针对于每一类的曲线图，求其平均曲线，其中X轴和Y轴存在小数。另外，再读取另一个CSV文件，每一列（第一列为时间列，第一行为用户行）按照每96个数据为一组的方式读取（数据需要归一化），如果96个全为0则不读并跳过这一组数据，接着读下一组，若96个数据不全为0则要读取，然后利用欧氏距离算每一列的每一组数据与30类中的每一类的平均曲线之间的距离，与哪一类的平均曲线的距离最小，则这组数据就归为这一类，要求记录每一列的所有组的数据归于30类中的每一类的百分比，并将每一列的所有组数据归于30类的30个百分比记录在一个列表中。要求输出每一列存放百分比的列表（一列对应一个列表）。

好的，这是一个比较复杂的任务，我会尽力回答你的问题。首先，你需要安装一些Python库来完成这项任务，包括numpy、pandas、sklearn、matplotlib等库。以下是实现该任务的Python代码，你可以根据需要进行修改和调整：

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt


# 读取第一个CSV文件
df1 = pd.read_csv('file1.csv')

# 归一化处理
df1_norm = (df1 - df1.min()) / (df1.max() - df1.min())

# KMeans聚类
kmeans = KMeans(n_clusters=30, random_state=0).fit(df1_norm)

# 绘制每一类的平均曲线
fig, ax = plt.subplots()
for i in range(30):
    subset = df1_norm[kmeans.labels_ == i]
    mean = subset.mean()
    ax.plot(mean.index, mean.values)
ax.set_xlabel('X')
ax.set_ylabel('Y')
plt.show()


# 读取第二个CSV文件
df2 = pd.read_csv('file2.csv', header=0, index_col=0)

# 归一化处理
df2_norm = (df2 - df2.min()) / (df2.max() - df2.min())

# 欧氏距离计算
distances = []
for i in range(30):
    mean = df1_norm[kmeans.labels_ == i].mean()
    distance = np.sqrt(np.sum((df2_norm - mean) ** 2, axis=1))
    distances.append(distance)

# 归一化计算每一列的百分比
percentages = []
for i in range(df2_norm.shape[1]):
    col = df2_norm.iloc[:, i]
    groups = [col[j:j+96] for j in range(0, len(col), 96) if np.sum(col[j:j+96]) != 0]
    if len(groups) == 0:
        percentages.append([0] * 30)
    else:
        group_norm = [(group - group.min()) / (group.max() - group.min()) for group in groups]
        distances_col = np.array([distances[j][i] for j in range(30)])
        indices = np.argmin(distances_col.reshape(1,-1) + np.zeros((len(group_norm), 30)), axis=1)
        counts = np.bincount(indices, minlength=30)
        percentages.append(counts / len(groups))

# 输出每一列的百分比列表
for i, percentage in enumerate(percentages):
    print(f'Column {i+1}: {percentage}')

希望这个代码能够解决你的问题！