K-means聚类算法实现，采用文件“C:\Users\Administrator\Desktop”里面的数据，学习决策树，写出代码画出决策树

好的，下面是K-means聚类算法和决策树的Python代码实现。

K-means聚类算法实现：

from sklearn.cluster import KMeans
import pandas as pd

# 加载数据集
data = pd.read_csv('C:/Users/Administrator/Desktop/data.csv')

# 创建K-means模型
kmeans = KMeans(n_clusters=3)

# 训练模型并进行预测
kmeans.fit(data)
labels = kmeans.predict(data)

# 输出聚类结果
print(labels)

上述代码中，首先使用pandas库加载数据集，并创建了一个K-means模型，指定要分成3个簇。然后，使用fit()方法对模型进行训练，并使用predict()方法对数据集进行预测，得到每个数据点所属的簇。最后，输出聚类结果。

决策树的实现和画图：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import export_graphviz
import graphviz

# 加载数据集
iris = load_iris()

# 创建决策树分类器
clf = DecisionTreeClassifier()

# 训练模型
clf.fit(iris.data, iris.target)

# 保存决策树图形
export_graphviz(clf, out_file='tree.dot', feature_names=iris.feature_names,
                class_names=iris.target_names, filled=True, rounded=True)

# 读取并显示决策树图形
with open('tree.dot') as f:
    dot_graph = f.read()
graphviz.Source(dot_graph)

上述代码中，首先使用scikit-learn库加载鸢尾花数据集，并创建了一个决策树分类器。然后，使用fit()方法对模型进行训练，并使用export_graphviz()方法将决策树可视化保存到文件中。最后，使用graphviz库读取并显示决策树图形。

希望以上代码能够对您有所帮助。