用scala语言请使用 K_Means 聚类方法将 iris.txt 中的数据分成 3 个类别，其中 iris.txt 数据集下载方式：scp student@172.18.88.124：/pub/iris.txt ./，(下载密码: bigd要求搭建一条流水线，使用 VectorIndexer()将特性向量索引化，训练数据和测试数据分别占 80% 和 20%。打印 KMeans().clusterCenters 结果，使用 ClusteringEvaluator 计算 Silhouette 分数并打印。

以下是使用Scala语言实现K-Means聚类方法将iris.txt数据集分成3个类别的代码：

import org.apache.spark.ml.clustering.KMeans
import org.apache.spark.ml.evaluation.ClusteringEvaluator
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.feature.VectorIndexer
import org.apache.spark.sql.SparkSession

// 创建SparkSession
val spark = SparkSession.builder().appName("KMeansIris").getOrCreate()

// 读取iris数据集
val iris = spark.read.format("csv").option("header", "true").option("inferSchema", "true").load("iris.txt")

// 将特征向量索引化
val assembler = new VectorAssembler().setInputCols(Array("sepal_length", "sepal_width", "petal_length", "petal_width")).setOutputCol("features")
val indexer = new VectorIndexer().setInputCol("features").setOutputCol("indexedFeatures").setMaxCategories(4)
val data = indexer.fit(assembler.transform(iris)).transform(assembler.transform(iris))

// 将数据分成训练集和测试集
val Array(trainingData, testData) = data.randomSplit(Array(0.8, 0.2))

// 创建KMeans聚类模型
val kmeans = new KMeans().setK(3).setSeed(1L)

// 训练KMeans模型
val model = kmeans.fit(trainingData)

// 打印聚类中心
println("Cluster Centers:")
model.clusterCenters.foreach(println)

// 计算Silhouette分数
val predictions = model.transform(testData)
val evaluator = new ClusteringEvaluator()
val silhouette = evaluator.evaluate(predictions)
println(s"Silhouette with squared euclidean distance = $silhouette")

// 停止SparkSession
spark.stop()

该代码首先创建了一个SparkSession对象，然后使用`read`方法从iris.txt文件中读取数据集。接下来，使用`VectorAssembler`将iris数据集中的四个特征列合并成一个特征向量列，并使用`VectorIndexer`将特征向量索引化，以便在训练KMeans模型时进行优化。然后，使用`randomSplit`方法将数据集分成训练集和测试集，训练KMeans模型并打印聚类中心。最后，使用`ClusteringEvaluator`计算Silhouette分数并打印结果。