利用 sklearn 获得数据集提取，并利用 matplotlib 对数据进行显示； 2、按照一定比例，把数据集划分测试集与测试集； 3、利用 K 均值算法实现分类，并统计测试集错误率

好的，您的问题是关于机器学习方面的。以下是我的回答：

1. 首先，您需要导入sklearn和matplotlib库，并加载您的数据集。可以使用sklearn的load_*()函数来加载常见的数据集，例如load_iris()、load_wine()和load_digits()。

2. 接下来，您需要将数据集分成训练集和测试集。可以使用sklearn的train_test_split()函数来实现。该函数需要四个参数：输入特征、输出特征、测试集比例和随机种子。该函数将返回四个数组：训练集输入特征、测试集输入特征、训练集输出特征和测试集输出特征。

3. 现在，您可以使用sklearn的KMeans算法实现分类。该算法需要两个参数：簇的数量和最大迭代次数。您可以使用fit()函数来拟合模型，并使用predict()函数来预测测试集的输出。最后，您可以使用sklearn的accuracy_score()函数来计算测试集的错误率。

下面是一个示例代码，使用Iris数据集进行演示：

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.cluster import KMeans
from sklearn.metrics import accuracy_score

# 加载数据集
iris = load_iris()

# 提取输入特征和输出特征
X = iris.data
y = iris.target

# 显示数据集
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# K均值算法分类
kmeans = KMeans(n_clusters=3, max_iter=100)
kmeans.fit(X_train)
y_pred = kmeans.predict(X_test)

# 计算测试集错误率
accuracy = accuracy_score(y_test, y_pred)
error_rate = 1 - accuracy
print("测试集错误率：", error_rate)

注意，这只是一个示例代码，您需要根据您的数据集和算法进行适当的修改。