K-means python 对数据集进行聚类分析，并使用数据集测试算法性能

为了演示K-means算法的聚类分析和性能测试，我们可以使用Scikit-learn库提供的鸢尾花数据集。

首先，我们需要导入必要的库并加载数据集：

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
import numpy as np

data = load_iris().data

接下来，我们可以使用K-means算法将数据集分为不同的簇：

model = KMeans(n_clusters=3, random_state=0)
clusters = model.fit_predict(data)

这里我们将数据集分为3个簇。接着，我们可以使用轮廓系数（silhouette score）评估聚类的性能：

score = silhouette_score(data, clusters)
print(f"轮廓系数为：{score:.2f}")

轮廓系数是一个介于-1到1之间的值，值越接近1表示聚类效果越好。在本例中，轮廓系数为0.55，说明聚类效果较好。

最后，我们可以将聚类结果可视化，以便更好地理解聚类效果：

plt.scatter(data[:, 0], data[:, 1], c=clusters)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

这里我们以花萼长度和花萼宽度作为坐标轴，将不同簇的数据点用不同颜色表示。运行完整的代码后，我们可以得到以下结果：


可以看出，K-means算法成功地将数据集分为了3个簇。