参考代码Kmeans.py，利用sklearn库中的K-means聚类算法实现对Iris数据集的聚类，考察不同输入特征个数和不同初始聚类数下K-means的聚类结果填入表 2，要求给出原数据集的截图、不同聚类结果的截图（画输入特征个数为2的即可）。

对不起，由于这是一个文本交互平台，我无法直接提供图片或截图。不过我可以帮你理解如何使用Python的scikit-learn库以及KMeans函数来处理Iris数据集，并指导你如何生成表2的数据和可视化。

首先，你需要安装必要的库，包括`matplotlib`用于绘制图像，`seaborn`增强绘图效果，以及`pandas`处理数据：

pip install matplotlib seaborn pandas scikit-learn

然后你可以按照以下步骤操作：

1. 导入库并加载Iris数据集：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.cluster import KMeans
import seaborn as sns

iris = datasets.load_iris()
X = iris.data
y = iris.target

2. 定义一个函数，用于运行KMeans并绘制二维散点图：

def run_kmeans(n_clusters, feature_num):
    kmeans = KMeans(n_clusters=n_clusters)
    X_reduced = X[:, :feature_num]
    kmeans.fit(X_reduced)
    
    # 绘制二维聚类结果
    plt.figure(figsize=(8, 6))
    plt.scatter(X_reduced[:, 0], X_reduced[:, 1], c=kmeans.labels_)
    plt.xlabel(iris.feature_names[feature_num])
    plt.ylabel(iris.feature_names[feature_num+1])
    plt.title(f"K-Means Clustering (n_clusters={n_clusters}, features={feature_num+1})")
    plt.show()

# 示例：选择2个特征进行聚类
run_kmeans(3, 0)  # 第0个特征（Sepal Length）
run_kmeans(3, 1)  # 第1个特征（Sepal Width）

3. 为了填充表2，你需要多次运行上述函数，改变输入特征的个数和初始聚类数。例如，你可以从1到4个特征逐个尝试，并记录每个组合下的Silhouette Score或其他合适的评估指标，以便比较不同情况下的聚类效果。