编写代码实现K-Means算法，对数轴上的点聚类分析

K-Means是一种常用的无监督机器学习聚类算法，用于将一组数据集划分为预设数量（k）的类别。以下是使用Python和scikit-learn库编写一个基本的K-Means算法步骤：

from sklearn.cluster import KMeans
import numpy as np

# 假设我们有一个二维的数轴数据（log-scale）
data = np.array([[1, 1], [1.5, 0.8], [3, 4], [3.5, 5], [5, 6]])  # 示例数据，替换为实际的log-scale数据

# 设置簇的数量（这里设定为3）
n_clusters = 3

# 初始化KMeans模型
kmeans = KMeans(n_clusters=n_clusters)

# 训练模型，找到聚类中心
kmeans.fit(data)

# 预测每个样本属于哪个簇
labels = kmeans.labels_

# 获取聚类中心
centroids = kmeans.cluster_centers_

print("每个样本的聚类标签:", labels)
print("聚类中心:", centroids)

# 数据可视化（如果你的数据可视化库支持）
import matplotlib.pyplot as plt
plt.scatter(data[:, 0], data[:, 1], c=labels)
plt.scatter(centroids[:, 0], centroids[:, 1], s=300, c='red')
plt.xlabel('X (log scale)')
plt.ylabel('Y (log scale)')
plt.show()