3.使用mean-shift聚类算法训练data_multivar.txt数据，输出样本label及label的个数，聚类后的中心点，一并画出样本数据及中心点

好的，我将继续使用Python编程语言来回答您的问题。

首先，我需要安装必要的Python库，包括pandas、sklearn、matplotlib。您可以在控制台中输入以下命令进行安装：

!pip install pandas sklearn matplotlib

然后，我将读取data_multivar.txt文件并将其存储为DataFrame对象：

import pandas as pd

data = pd.read_csv('data_multivar.txt', delimiter='\t')

接下来，我将使用sklearn库中的MeanShift模型来进行聚类，并计算每个聚类的标签和中心点：

from sklearn.cluster import MeanShift

# 训练模型
ms = MeanShift()
ms.fit(data)

# 获取标签和中心点
labels = ms.labels_
centers = ms.cluster_centers_

接下来，我们可以通过以下代码来输出标签及其个数：

import numpy as np

unique_labels, counts = np.unique(labels, return_counts=True)
for label, count in zip(unique_labels, counts):
    print('Label {}: {} samples'.format(label, count))

最后，我将使用matplotlib库来绘制样本数据及中心点的散点图：

plt.scatter(data.iloc[:, 0], data.iloc[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

完整的代码如下所示：

import pandas as pd
from sklearn.cluster import MeanShift
import numpy as np
import matplotlib.pyplot as plt

data = pd.read_csv('data_multivar.txt', delimiter='\t')

ms = MeanShift()
ms.fit(data)

labels = ms.labels_
centers = ms.cluster_centers_

unique_labels, counts = np.unique(labels, return_counts=True)
for label, count in zip(unique_labels, counts):
    print('Label {}: {} samples'.format(label, count))

plt.scatter(data.iloc[:, 0], data.iloc[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='x', s=200, linewidths=3, color='r')
plt.show()

运行代码后，您应该可以看到一个散点图，其中显示了样本数据及其聚类中心点，并输出了每个标签的个数。