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，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，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。

以下是Python代码的实现，需要使用pandas、numpy、sklearn、matplotlib库：

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

# 读取第一个CSV文件，以每一行为一组
df = pd.read_csv('file1.csv', header=None)
data = df.values

# 使用K-means函数聚成30类
kmeans = KMeans(n_clusters=30, random_state=0).fit(data)

# 计算每一类的平均曲线
labels = kmeans.labels_
centers = kmeans.cluster_centers_

avg_curves = []
for i in range(30):
    group = data[labels == i]
    avg_curve = np.mean(group, axis=0)
    avg_curves.append(avg_curve)

# 读取第二个CSV文件，以96个数据为一组，计算与30类平均曲线的距离
df = pd.read_csv('file2.csv')
cols = df.columns[1:]
n_groups = len(df) // 96

results = []
for col in cols:
    col_data = df[col].values
    groups = np.split(col_data, n_groups)
    for i, group in enumerate(groups):
        if np.all(group == 0):
            continue
        distances = []
        for j, avg_curve in enumerate(avg_curves):
            distance = np.linalg.norm(group - avg_curve)
            distances.append(distance)
        min_distance = min(distances)
        label = distances.index(min_distance)
        results.append((col, i, label))

# 统计每一列的所有组数据归属的不同类别的百分比，绘制饼图
results_df = pd.DataFrame(results, columns=['col', 'group', 'label'])
for col in cols:
    col_results = results_df[results_df['col'] == col]
    group_counts = col_results['label'].value_counts()
    labels = group_counts.index
    sizes = group_counts.values / len(col_results)
    fig1, ax1 = plt.subplots()
    ax1.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
    ax1.axis('equal')
    ax1.set_title(col)
    plt.show()

需要注意的是，代码中的文件路径需要根据具体情况进行修改。