k-means算法应用在三维空间中，在python和MATLAB上分别实现，完整代码

k-means算法是一种常用的无监督机器学习聚类技术，它将数据点分为k个簇，每个簇由离其质心最近的数据点组成。在三维空间中应用k-means，你可以按照以下步骤操作：

### Python实现 (scikit-learn库)

import numpy as np
from sklearn.cluster import KMeans

# 假设我们有三维数据集data_3d
data_3d = ...  # 你需要替换为你的实际三维numpy数组

# 设置k值
k = 4  # 假设有四个簇

# 创建KMeans实例
kmeans = KMeans(n_clusters=k)

# 初始化并拟合数据
kmeans.fit(data_3d)

# 获取簇中心和标签
centroids = kmeans.cluster_centers_
labels = kmeans.labels_

# 示例代码结束

### MATLAB实现 (使用的是Matlab内置函数)

% 加载或创建你的三维数据矩阵
data_3d = ...; % 例如 data_3d = rand(100, 3);  生成随机的100行3列二维数据

% 确定簇的数量
k = 4;

% 创建KMeans模型
kmeans = fitckmeans(data_3d, 'NumClusters', k);

% 拟合数据
[idx, centroids] = kmeans();

% idx是数据点的聚类标签，centroids是簇的中心点

注意：以上代码片段假设你已经有了处理数据和熟悉这些语言环境的基本知识。如果你需要运行完整的程序，记得提供适当的数据，并根据实际需求调整`k`的值。