尝试使用 UCI 数据集中 Wine Quality 进行 K-means 聚类分析，尝试 使用更高维度数据进行聚类分析可视化用python写

首先，你需要了解UCLIDataset中的Wine Quality数据集是一个关于葡萄酒质量的数据集，它包含1599个样本，每个样本有11个特征（如pH值、酒精度等）。进行K-means聚类分析前，需要对数据进行预处理，包括加载数据、标准化或归一化等步骤，因为K-means算法对数值敏感。

以下是使用Python（通过sklearn库）进行K-means聚类的基本步骤，并尝试将高维数据降维后再进行可视化：

# 导入必要的库
import pandas as pd
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.decomposition import PCA

# 加载Wine Quality数据
wine = datasets.load_wine()
X = wine.data
y = wine.target

# 数据预处理
scaler = StandardScaler()  # 对数据进行标准化处理
X_scaled = scaler.fit_transform(X)

# 确定聚类数（例如，我们假设k=3）
n_clusters = 3

# 创建KMeans模型并拟合
kmeans = KMeans(n_clusters=n_clusters)
kmeans.fit(X_scaled)

# 获取聚类标签
labels = kmeans.labels_

# 使用PCA进行降维并绘制二维散点图
pca = PCA(n_components=2)  # 选择两个主成分
X_pca = pca.fit_transform(X_scaled)

plt.figure(figsize=(8, 6))
sns.scatterplot(x=X_pca[:, 0], y=X_pca[:, 1], hue=labels, palette='viridis')
plt.title('K-means Clustering Visualization (PCA Reduced)')
plt.xlabel('PCA Component 1')
plt.ylabel('PCA Component 2')
plt.show()

#