调用k-means算法对生成的数据集进行聚类，对聚类效果进行展示。 实验要求： （1）导入需要的库； （2）生成训练集； （3）用k-means算法将这些数据聚为3类，并绘制聚类效果； （4）输出k-means聚类的标签；

为了帮助您完成这个实验，我们首先需要导入必要的库，如`numpy`用于生成数据，`sklearn`中的`KMeans`类来进行聚类，以及`matplotlib`用于可视化结果。以下是一个示例代码：

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# （1）导入需要的库
from sklearn.datasets import make_blobs

# （2）生成训练集 - 使用make_blobs函数创建简单数据集
n_samples, n_features = 500, 2
centers = [[1, 1], [-1, -1], [1, -1]]
X, y = make_blobs(n_samples=n_samples, centers=centers, cluster_std=1.0, random_state=42)

# （3）用k-means算法进行聚类
kmeans = KMeans(n_clusters=3, random_state=0)  # 设置为3类
kmeans.fit(X)

# （4）获取聚类标签
labels = kmeans.labels_

# （5）绘制聚类效果
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.title('K-means Clustering Result')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.colorbar()
plt.show()

# 输出k-means聚类的标签
print("Cluster labels:", labels)

这段代码首先生成了一个包含3个中心点的数据集，然后使用K-means算法将其分为3类。然后我们将每个样本根据其所属的簇颜色标记在散点图上，展示了聚类的效果。最后，它打印出了每个样本的聚类标签。