训练好了LDA模型并获得了文档的主题分布，我们可以将其转化为特征向量表示。这些特征向量将用作输入数据传递给K-means算法。K-means算法将根据这些特征向量将文本样本聚类成K个簇代码实现

以下是一个简单的Python代码实现，用于将文档的主题分布转换为特征向量，并使用K-means算法对文本样本进行聚类：

import numpy as np
from sklearn.cluster import KMeans

# 假设我们已经获得文档的主题分布，存储在一个numpy数组中
# 数组的每一行代表一个文档，每一列代表一个主题
doc_topic_dist = np.array([[0.2, 0.3, 0.5], [0.1, 0.8, 0.1], [0.4, 0.4, 0.2]])

# 将每个文档的主题分布转化为特征向量表示
doc_vectors = doc_topic_dist.tolist()

# 使用K-means算法将文本样本聚类成2个簇
kmeans = KMeans(n_clusters=2).fit(doc_vectors)

# 输出每个文档所属的簇
for i, label in enumerate(kmeans.labels_):
    print("Document %d belongs to cluster %d" % (i, label))

运行以上代码后，将输出每个文档所属的簇。需要注意的是，该代码实现中的K-means算法只是一个简单的示例，实际应用中需要根据具体情况进行参数调整和优化。