Kmeans聚类分析的原生代码，，将系列二维数据按照距离的远近程度划分为三类

K-means是一种常用的无监督机器学习算法，用于数据集的分群，常用于市场细分、客户分类等场景。以下是基于Python的scikit-learn库实现K-means聚类的一个简单示例，我们将三维数据（假设每个样本有三个特征）划分为三个类别：

from sklearn.cluster import KMeans
import numpy as np

# 假设我们有一个二维数组的数据
data = np.array([
    [2, 10], [2, 5], [8, 4], [5, 8],
    [7, 6], [9, 1], [1, 1], [6, 9]
])  # 这是一个简化版的二维数据

# 初始化KMeans模型，设置簇的数量为3
kmeans = KMeans(n_clusters=3)

# 拟合数据
kmeans.fit(data)

# 预测每个样本所属的簇
labels = kmeans.predict(data)

# 打印每个点的坐标及其所属的簇标签
for i, point in enumerate(data):
    print(f"Point {i}: ({point[0]}, {point[1]}) -> Cluster {labels[i]}")

# 可视化聚类结果（如果你需要）
import matplotlib.pyplot as plt
plt.scatter(data[:, 0], data[:, 1], c=labels)
plt.show()