基于python，使用FCM聚类对527行2列的txt数据进行聚类分析，自动生成评估聚类结果的图表，绘制数据散点图和聚类中心。

首先，需要安装FCM聚类算法的Python库，可以使用以下命令进行安装：

pip install scikit-fuzzy

然后，可以使用以下代码读取数据并进行聚类分析：

import numpy as np
import skfuzzy as fuzz

# 读取数据
data = np.loadtxt('data.txt')

# 定义聚类数量
ncenters = 5

# 进行FCM聚类
cntr, u, u0, d, jm, p, fpc = fuzz.cluster.cmeans(data.T, ncenters, 2, error=0.005, maxiter=1000, init=None)

# 输出聚类中心
print(cntr)

# 输出每个数据点所属的聚类
cluster_membership = np.argmax(u, axis=0)
print(cluster_membership)

接下来，可以绘制数据散点图和聚类中心，代码如下：

import matplotlib.pyplot as plt

# 绘制数据散点图
fig1, ax1 = plt.subplots()
ax1.set_title('Data Scatter Plot')
for i in range(ncenters):
    ax1.plot(data[cluster_membership == i, 0], data[cluster_membership == i, 1], 'o', label='cluster{}'.format(i+1))
ax1.legend()

# 绘制聚类中心
fig2, ax2 = plt.subplots()
ax2.set_title('Cluster Centers')
for i in range(ncenters):
    ax2.plot(cntr[i][0], cntr[i][1], 's', label='center{}'.format(i+1))
ax2.legend()

plt.show()

这段代码会生成两张图表，一张是数据散点图，展示每个数据点所属的聚类；另一张是聚类中心图，展示每个聚类的中心点。

最后，可以根据实际情况选择不同的评估指标来评估聚类结果，如轮廓系数（Silhouette Coefficient）和Calinski-Harabasz Index等。