!1 导入必要的库：numpy、matplotlibpyplot和sklearncluster中的KMeans。2 生成数据：使用numpyrandomrandn函数生成100个二维随机数。3 初始化KMeans算法：使用KMeans函数将n_clusters参数设置为3表示要将数据分为3个簇。4 训练KMeans算法：使用fit函数训练KMeans算法将

：

导入必要的库：numpy、matplotlib.pyplot和sklearn.cluster中的KMeans。 import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans
生成数据：使用numpy.random.randn()函数生成100个二维随机数。 X = np.random.randn(100, 2)
初始化KMeans算法：使用KMeans()函数，将n_clusters参数设置为3，表示要将数据分为3个簇。 kmeans = KMeans(n_clusters=3)
训练KMeans算法：使用fit()函数训练KMeans算法，将数据X作为输入。 kmeans.fit(X)
绘制结果图：使用matplotlib.pyplot库中的scatter()函数绘制数据点，将KMeans算法的标签作为颜色参数传递；使用scatter()函数再次绘制KMeans算法的聚类中心，将其标记为“X”，设置颜色为红色。 plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_) plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], marker='X', color='red')
显示结果图：使用show()函数显示绘制的结果图。 plt.show()