使用python实现K-Means算法，或安装sklearn算法库；2、生成包含5个样本的样本集（随机生成，或者自己写固定的样本也可以），使用K-Means聚类算法对样本集进行聚类（自己实现，或者调用

首先，让我们来讲解如何在Python中实现基本的K-Means聚类算法，并安装必要的scikit-learn库。scikit-learn是一个强大的机器学习库，其中包含了K-Means算法。

**1. 安装scikit-learn库**:
如果你还没有安装，可以使用pip命令进行安装：

pip install scikit-learn

**2. 使用scikit-learn实现K-Means**:

from sklearn.cluster import KMeans
import numpy as np

# 创建一个简单的例子，生成5个二维随机样本
n_samples = 5
X = np.random.rand(n_samples, 2)  # 随机生成5个二维点作为数据集

# 初始化并运行K-Means模型，假设我们想要找3个簇
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_

# 打印每个样本所属的簇中心
centroids = kmeans.cluster_centers_
print("Centroids:", centroids)

这里，`fit`函数用于拟合数据，`labels_`变量存储了每个样本的聚类标签，`cluster_centers_`则给出了各个簇的中心点。

**