根据上诉要求，编写python代码

为了满足上述要求，我们将使用Python中的sklearn库来进行K-means聚类分析。首先，你需要安装必要的库（如pandas、numpy、matplotlib以及sklearn），可以使用`pip install pandas numpy matplotlib sklearn`命令安装。

下面是一个简单的例子展示了如何进行聚类分析：

# 导入所需的库
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

# 假设事件数据存储在一个CSV文件中，假设有两个列：'frequency', 'extent'
data = pd.read_csv('event_data.csv')

# 提取频率和程度作为特征
X = data[['frequency', 'extent']].values

# 考虑肘部法则找寻最佳K值
wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    kmeans.fit(X)
    wcss.append(kmeans.inertia_)
plt.plot(range(1, 11), wcss)
plt.title('The Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()

# 使用轮廓系数确定最终的K值
best_k = 3 # 这里假设最好的K值是3，你可以根据上面的图决定
kmeans = KMeans(n_clusters=best_k, init='k-means++', max_iter=300, n_init=10, random_state=0)
y_kmeans = kmeans.fit_predict(X)

# 计算并打印轮廓系数
score = silhouette_score(X, y_kmeans)
print(f"Best K value: {best_k}, Silhouette Score: {score:.3f}")

# 对每个时期的数据分别进行聚类分析，并对比结果
# 这部分需要针对每个时间段（例如2001-2010年和2011-2017年）重复上述步骤

这段代码首先读取数据，然后运用肘部法找出最佳K值，接着用这个K值进行聚类，并计算轮廓系数评估聚类效果。最后，你可以根据具体的时间段划分数据，重复以上的聚类分析流程。