封装这段函数while True: data_str = input('请输入黏度(mp*s)与密度(kg/l)，以逗号分隔：（输入exit以停止）') if data_str == 'exit': break data = np.array([list(map(float, data_str.split(',')))]) label = kmeans.predict(data)[0] center_idx = np.argmin(np.sum(np.square(centers - data), axis=1)) print('该数据所属类别为：', label, '，模糊判断到聚类中心：', center_idx) print('对应表格中的转速和时间范围为：', df.iloc[kmeans.labels_ == label, 3:5].values)

好的，这里是一个封装后的函数，它可以接收用户的输入，使用k-means算法对输入的数据进行聚类，并输出该数据所属的类别以及对应的转速和时间范围。函数的名称为`cluster_and_print`，它接收一个参数`kmeans`，表示已经训练好的k-means模型。

import numpy as np

def cluster_and_print(kmeans):
    """
    从用户输入中获取黏度和密度，使用k-means算法对数据进行聚类，并输出聚类结果及对应的转速和时间范围。
    参数kmeans为已经训练好的k-means模型。
    """
    while True:
        data_str = input('请输入黏度(mp*s)与密度(kg/l)，以逗号分隔：（输入exit以停止）')
        if data_str == 'exit':
            break
        data = np.array([list(map(float, data_str.split(',')))])
        label = kmeans.predict(data)[0]
        center_idx = np.argmin(np.sum(np.square(kmeans.cluster_centers_ - data), axis=1))
        print('该数据所属类别为：', label, '，模糊判断到聚类中心：', center_idx)
        print('对应表格中的转速和时间范围为：', df.iloc[kmeans.labels_ == label, 3:5].values)

这个函数使用了一个无限循环，每次循环都会让用户输入一组黏度和密度数据，使用k-means算法对数据进行聚类，并输出聚类结果及对应的转速和时间范围。如果用户输入`exit`，函数会退出循环。注意，在这个函数中，我们使用了`kmeans.cluster_centers_`来获取聚类中心，而不是之前的`centers`变量。