Python使用Scikit-learn的K-Means实战
环境搭建及准备工作：
1. 安装Python环境：Scikit-learn是基于Python的机器学习库，需要首先安装Python。可以从官方网站(https://www.python.org/)下载Python的最新版本然后进行安装。
2. 安装Scikit-learn库：使用pip命令来安装Scikit-learn库，命令如下：
pip install scikit-learn
依赖的类库：
本示例中仅使用Scikit-learn库。
数据集介绍：
本示例以Iris鸢尾花数据集为例，该数据集是机器学习领域中非常经典的数据集之一，用于多分类问题。数据集包含了150个样本，每个样本有4个特征，分为3类。
数据集下载网址：
Iris数据集是Scikit-learn库自带的示例数据集，可以通过以下代码进行加载：
python
from sklearn.datasets import load_iris
iris = load_iris()
样例数据：
Iris数据集中的样本包含了4个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。每个样本都带有标签，标签表示花的品种。
完整的样例代码如下：
python
from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
# 加载Iris数据集
iris = load_iris()
X = iris.data
# 创建KMeans模型，并设置聚类中心数量为3
kmeans = KMeans(n_clusters=3)
# 训练模型
kmeans.fit(X)
# 预测类别
labels = kmeans.predict(X)
# 输出每个样本的类别
for i in range(len(X)):
print("Sample:", X[i], " Label:", labels[i])
运行上述代码，可以得到每个样本的特征以及它们所属的聚类类别。
总结：
本示例介绍了Python中使用Scikit-learn库的K-Means算法的实战。首先进行环境搭建及准备工作，然后介绍了相关的类库和数据集。样例代码中加载了Iris数据集，使用K-Means算法对数据集进行聚类，并输出每个样本的聚类类别。最后，通过运行代码可以得到每个样本的类别。
