Python K-means聚类算法实采用莺尾花数据，学习并画出决策树

抱歉，K-means聚类算法不是一种决策树算法，它是一种基于距离度量的聚类算法。K-means聚类算法的主要思想是通过计算数据点之间的距离，将数据点分为K个簇。每个簇的中心点被称为簇心，算法通过迭代的方式将数据点分配到最近的簇心，并更新簇心的位置，直到簇心不再发生变化或达到最大迭代次数。

以下是使用Python实现K-means聚类算法，以莺尾花数据为例：

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# 加载莺尾花数据集
iris = load_iris()

# 转换为pandas DataFrame格式
iris_df = pd.DataFrame(iris.data, columns=iris.feature_names)

# 使用KMeans聚类算法进行聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(iris_df)

# 将聚类结果可视化
plt.scatter(iris_df['sepal length (cm)'], iris_df['sepal width (cm)'], c=kmeans.labels_)
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.title('K-means Clustering Results')
plt.show()

以上代码将莺尾花数据集分为3个簇，并将聚类结果可视化。