KMeans.__init__() got an unexpected keyword argument 'sample_weight'

KMeans是一种常用的聚类算法，它的__init__()方法没有sample_weight参数。sample_weight参数通常用于加权聚类，但在KMeans中并没有这个选项。如果你想使用加权聚类，可以考虑使用其他聚类算法，如DBSCAN或层次聚类。如果你仍然想在KMeans中使用加权聚类，你可以手动实现一个带有sample_weight参数的KMeans算法。

相关问题

KMeans.__init__() got an unexpected keyword argument 'int'

这个错误的原因可能是你在调用 KMeans 类的 __init__() 方法时使用了一个名为 'int' 的关键字参数，但是 KMeans 类并没有定义这个参数。

通常情况下，KMeans 类的初始化方法需要指定一些参数，例如聚类数量、初始质心等。请检查你的代码，看看是否有误传了参数名。另外，你也可以查看一下 KMeans 类的文档，确认需要传递的参数名和类型。

TypeError: KMeans.__init__() got an unexpected keyword argument n_jobs

非常抱歉，我的回答还是有误。在`sklearn.cluster`中的`KMeans`类确实没有`n_jobs`参数。如果你想要设置并行计算的数量，可以使用`joblib`库中的`Parallel`和`delayed`函数来实现并行化计算。具体的代码如下：

from sklearn.cluster import KMeans
from joblib import Parallel, delayed

kmodel = KMeans(n_clusters=k)

# 将fit方法并行化
Parallel(n_jobs=1, backend='multiprocessing')(delayed(kmodel.fit)(data) for data in data_list)

这里使用`Parallel`函数将`fit`方法并行化，`n_jobs`参数指定了并行计算任务数量，`delayed`函数用于将`fit`方法封装成一个可调用的函数，并对数据列表中的每个数据调用一次`fit`方法。

希望这次回答能够解决你的问题，如有疑问，请随时提出。