编写一个针对一批文本文件的内容进行聚类分析的程序的代码

在Python中，我们可以使用sklearn库来进行文本聚类分析，例如使用KMeans或Hierarchical Clustering算法。以下是一个简单的例子，假设我们有批量的文本数据存储在一个列表里，每条文本都是一个字符串，我们将使用TfidfVectorizer进行特征提取：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

# 假设texts是一个包含所有文本文件内容的列表
texts = ["file1.txt", "content of file1...", "file2.txt", "content of file2..."]

# 加载并处理文本数据
vectorizer = TfidfVectorizer(stop_words='english')  # 停用词可以减少噪音
X = vectorizer.fit_transform(texts)  # 转换为TF-IDF向量表示

# 设置聚类的数量，比如我们想分为5类
n_clusters = 5
kmeans = KMeans(n_clusters=n_clusters)

# 训练模型并获取聚类结果
clusters = kmeans.fit_predict(X)

# 输出每个文本所属的聚类
for i, text in enumerate(texts):
    print(f"{text} belongs to cluster {clusters[i]}")