python程序题：分别使用K-means和K-medoids算法对sklearn中的鸢尾花数据集进行聚类（聚类数目设置为3），并评估这两种聚类算法的准确率。

Python中，我们可以使用scikit-learn库中的`KMeans`和`DBSCAN`（K-medoids的一个实现）来对Iris数据集进行聚类。以下是步骤：

首先，确保安装了必要的库：

pip install numpy pandas scikit-learn matplotlib

然后，使用以下代码完成任务：

1. 导入库和数据集：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.cluster import KMeans, DBSCAN
from sklearn.metrics import accuracy_score, confusion_matrix
import matplotlib.pyplot as plt

# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

2. 使用K-means聚类：

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 预测标签
labels_kmeans = kmeans.labels_

# 计算准确率
accuracy_kmeans = accuracy_score(y, labels_kmeans)
cm_kmeans = confusion_matrix(y, labels_kmeans)

print("K-Means Accuracy:", accuracy_kmeans)
print("Confusion Matrix:\n", cm_kmeans)

3. 使用K-medoids（DBSCAN）聚类：

db = DBSCAN(eps=0.5, min_samples=5)  # 设置合适的参数
db.fit(X)

# 预测标签
labels_dbscan = db.labels_

# 计算准确率
accuracy_dbscan = accuracy_score(y, labels_dbscan)
cm_dbscan = confusion_matrix(y, labels_dbscan)

print("DBSCAN Accuracy:", accuracy_dbscan)
print("Confusion Matrix:\n", cm_dbscan)

注意：K-means算法通常不适用于非凸形状的数据分布，而DBSCAN更适合发现任意形状的集群，所以它的准确率可能会有所不同。