给出一个三维的散点图,在其中 K-means 聚类的结果。每个数据点被归类到不同 的群体,并在三维空间中显示其年龄、年收入和消费得分的分布情况，写出实现的代码

为了创建一个三维散点图并展示K-means聚类结果，我们可以使用Python的matplotlib和sklearn库。假设我们已经有了一个包含年龄（age）、年收入（income）和消费得分（consumption_score）的数据集，并已经通过K-means进行了聚类。

首先安装必要的库（如果尚未安装）：

pip install matplotlib numpy pandas sklearn

然后编写以下代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn.cluster import KMeans

# 假设你有一个名为data.csv的数据集，包含年龄、年收入和消费得分
df = pd.read_csv('data.csv')

# 将数据转换为二维数组，适合KMeans算法
X = df[['age', 'income', 'consumption_score']].values

# 使用KMeans进行聚类，这里假设k=3（可以根据实际需求调整）
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 获取聚类中心
centroids = kmeans.cluster_centers_

# 创建3D散点图
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111, projection='3d')

# 颜色编码代表聚类标签
colors = ['r', 'g', 'b']
for i in range(kmeans.n_clusters):
    # 筛选出属于特定聚类的数据点
    cluster_members = X[kmeans.labels_ == i]
    ax.scatter(cluster_members[:, 0], cluster_members[:, 1], cluster_members[:, 2],
               c=colors[i], label=f'Cluster {i+1}')

# 添加聚类中心作为星形标记
ax.scatter(centroids[:, 0], centroids[:, 1], centroids[:, 2], s=300, marker='*', color='black',
           label='Centroids')

ax.set_xlabel('Age')
ax.set_ylabel('Income')
ax.set_zlabel('Consumption Score')
ax.legend()

plt.title('3D Scatter Plot of Age-Income-Consumption Clusters (K-means)')
plt.show()

这段代码将生成一个3D散点图，每个点的颜色表示它所属的聚类，聚类中心则以较大的星形标记表示。你可以根据需要更改数据集名和聚类数量。