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）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，要求记录每一列的每一组数据归属的类别并统计每一列的所有组数据归属的不同类别的百分比，按照饼图的方式输出每一列的所有组数据归属的不同类别的百分比，并且需要在图上标注每一块所属类别及其百分比。

好的，这是一个复杂的任务，需要多个步骤完成。首先，我们需要导入一些必要的库，如pandas、numpy、matplotlib等。您需要确保已经安装了这些库。接下来，我们可以按照以下步骤进行编码：

1. 读取第一个CSV文件并进行归一化处理

import pandas as pd
import numpy as np

#读取CSV文件
df = pd.read_csv('file1.csv', header=None)
#归一化处理
df_norm = (df - df.min()) / (df.max() - df.min())

2. 将数据按照每一行为一组进行聚类

from sklearn.cluster import KMeans

#设置聚类数量为30
kmeans = KMeans(n_clusters=30, random_state=0).fit(df_norm)
#获取每个数据点所属的类别
labels = kmeans.labels_

3. 按照每一类的曲线图，求其平均曲线

#将类别与数据合并
df_norm['label'] = labels
#按照类别进行分组
grouped = df_norm.groupby('label')
#求每一类的平均曲线
means = grouped.mean()

4. 读取第二个CSV文件并按照96个数据为一组进行归一化处理

#读取CSV文件
df2 = pd.read_csv('file2.csv')
#按照每96个数据为一组进行分组
df2_grouped = df2.groupby(np.arange(len(df2))//96)
#归一化处理
df2_norm = (df2_grouped - df2_grouped.min()) / (df2_grouped.max() - df2_grouped.min())

5. 计算每一组数据与30类的每一类的平均曲线之间的距离，将其归为最小距离对应的类别

#将每一组数据与每一类的平均曲线之间的距离存储在一个列表中
distances = []
for i in range(30):
    #计算欧氏距离
    distance = np.sqrt(np.sum((df2_norm - means.iloc[i])**2, axis=1))
    distances.append(distance)
#将距离最小的类别作为每一组数据的类别
df2_labels = np.argmin(distances, axis=0)

6. 统计每一列的所有组数据归属的不同类别的百分比，并按照饼图的方式输出

import matplotlib.pyplot as plt

#统计每一列的所有组数据归属的不同类别的百分比
percentages = []
for i in range(len(df2_norm.columns)):
    percentages.append(df2_labels[df2_norm.columns[i]].value_counts(normalize=True))

#绘制饼图
fig, axs = plt.subplots(1, len(df2_norm.columns), figsize=(20, 5))
for i in range(len(df2_norm.columns)):
    axs[i].pie(percentages[i], labels=percentages[i].index, autopct='%1.1f%%')
    axs[i].set_title('Column {}'.format(i+1))
plt.show()

这些步骤将按照您的要求完成数据的聚类和分组，并输出每一列的所有组数据归属的不同类别的百分比。需要注意的是，这些代码可能需要根据您的具体数据进行调整。