這一節將使用k-平均聚類方法根據籃球運動員的行為數據對運動員進行聚類，這樣的聚類結果在與球隊有關的各項工作中都具有參考價值。例如，可根據聚類結果判斷球員風格，從而更好地進行上場球員的調配；引進新球員時可根據聚類結果挑選更適合球隊的球員，彌補球隊短板，避免球員同質化；球員還可參考聚類結果進行有針對性的訓練等。本案例所用數據是2013-2014賽季NBA控球後衛的賽場行為數據，並已經過適當地處理（去除噪聲和無效數據），數據可從教材資源平台下載。
首先導入需要使用的Python庫。其中pandas提供了高效易用的數據分析工具，numpy是適用於科學計算的庫，兩者經常配合使用。matplotlib是Python中常用的繪圖係統，用來做數據可視化非常方便。
In[1]：import pandas as pd
In[2]：import matplotlib.pyplot as plt
In[3]：import numpy as np
讀入所需的數據，顯示數據的前5行，可以看到數據包含33個數據項，其中包括球員姓名、在球隊中所打的位置、年齡、賽季等。具體地，pos代表球員在球場上所打的位置，g代表本賽季參賽場數，pts代表總得分，ast代表助攻次數，tov代表失誤次數，ppg=pts/g代表平均得分（Points Per Game），atr=ast/tov表示助攻失誤比（Assist Turnover Ratio）。為了簡單起見，在此案例中隻使用其中的數據項ppg和atr進行聚類，感興趣的同學可以探索使用更多的數據項進行分析。
In[4]：nba=pd.read_csv（'nba_2013.csv'）
In[5]：nba.head（）
Out[5]：
player pos age ...season_end ppg atr
0 D.J.Augustin PG 26 ...2013 13.098592 2.504000
1 Leandro Barbosa PG 31 ...2013 7.500000 1.684211
2 Jose Barea PG 29 ...2013 8.354430 2.424000
3 Jerryd Bayless PG 25 ...2013 9.250000 2.365854
4 Steve Blake PG 33 ...2013 6.872727 3.009804