给我一段python代码，演示如何将FashionMNIST数据集分成n份有m条数据的小数据集，其中小数据集内部分布集中，各个小数据集之间分布分散

以下是一个将FashionMNIST数据集分成n份，每份m个数据的Python代码示例，并确保小数据集内部分布集中，各个小数据集之间分布分散。

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split

# 加载FashionMNIST数据集
mnist = fetch_openml('Fashion-MNIST', version=1)

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(mnist.data, mnist.target, test_size=0.2, random_state=42)

# 定义函数，将数据集分成n份，每份m个数据
def split_data(X, y, n, m):
    # 使用KMeans算法将数据集分为n个簇
    kmeans = KMeans(n_clusters=n, random_state=42).fit(X)

    # 将每个簇的数据分别存储在一个列表中
    clusters = []
    for i in range(n):
        clusters.append([])

    for i in range(len(X)):
        cluster_label = kmeans.labels_[i]
        clusters[cluster_label].append(i)

    # 将每个簇的数据分成m个小数据集
    subsets = []
    for cluster in clusters:
        np.random.shuffle(cluster)
        for i in range(0, len(cluster), m):
            subset = cluster[i:i+m]
            if len(subset) == m:
                subsets.append(subset)

    # 将每个小数据集的数据和标签存储在一个列表中
    X_subsets = []
    y_subsets = []
    for subset in subsets:
        X_subsets.append(X[subset])
        y_subsets.append(y[subset])

    return X_subsets, y_subsets

# 将训练集分成4份，每份1000条数据
X_train_subsets, y_train_subsets = split_data(X_train, y_train, n=4, m=1000)

# 打印每个小数据集的大小和标签分布
for i in range(len(X_train_subsets)):
    print(f'Subset {i+1}: {len(X_train_subsets[i])} samples')
    unique, counts = np.unique(y_train_subsets[i], return_counts=True)
    print(dict(zip(unique, counts)))

上述代码将FashionMNIST训练集分成了4份，每份包含1000个数据样本。最后，程序会打印出每个小数据集的大小和标签分布。可以看到小数据集内部分布集中，各个小数据集之间分布分散。