#使用k-means聚类算法对鸢尾花数据集进行聚类分析，聚类数为3，输出样本原有数据标签及聚类结果对应的数据标签，观察聚类的准确性。

使用K-means聚类算法对鸢尾花（Iris dataset）进行分析，通常该数据集包含三种鸢尾花品种：Setosa、Versicolor和Virginica。首先，你需要导入必要的库如scikit-learn，并加载数据。然后按照以下步骤操作：

1. **数据预处理**：加载并标准化数据，因为K-means对数值敏感。

from sklearn import datasets
from sklearn.preprocessing import StandardScaler
iris = datasets.load_iris()
X = iris.data
y = iris.target
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

2. **选择聚类数**：由于任务中指定聚类数为3，这恰好与鸢尾花种类数一致。

3. **应用K-means**：

   from sklearn.cluster import KMeans
   kmeans = KMeans(n_clusters=3)
   kmeans.fit(X_scaled)
   labels_clustered = kmeans.labels_

4. **比较原标签与聚类结果**：
将原始标签`y`与聚类后的标签`labels_clustered`对比，可以计算准确度或查看哪些样本被错误地分到了其他类别。

5. **评估准确性**：
- 使用`metrics.adjusted_rand_score` 或 `metrics.v_measure_score` 等指标来评估聚类效果。
- 可视化聚类结果，比如使用散点图展示每个样本及其所属的簇。

from sklearn.metrics import adjusted_rand_score
accuracy = adjusted_rand_score(y, labels_clustered)
print(f"Accuracy: {accuracy}")