2. 请利用sklearn库，采用K-mean聚类方法，对iris数据集进行聚类，训练完成后，在原数据集上进行预测， 并输出算法的评价指标——调整兰德系数

首先，我们需要导入所需的库，包括`sklearn`、`numpy`以及`pandas`，然后加载`Iris`数据集。接下来，我们将按照以下步骤进行操作：

1. 导入库和数据集：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score, rand_score

2. 加载Iris数据集并预处理：

iris = datasets.load_iris()
X = iris.data
y = iris.target

3. 使用K-means进行聚类，这里我们假设已知需要将数据分为3类（Iris有3种物种）：

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

4. 预测簇标签：

labels = kmeans.predict(X)

5. 计算调整后的兰德系数（Adjusted Rand Index，ARI），它考虑了随机分配的可能性，值越接近1表示越好：

ari = rand_score(y, labels)
ari

注意：在未指定`n_clusters`的情况下，通常通过“肘部法则”或者轮廓系数等方法选择最优的簇数，但在本示例中，为了简化，我们直接设定了3类。