对UCI数据库中wine数据集用k-means算法聚类并可视化的代码

以下是对UCI数据库中wine数据集用k-means算法聚类并可视化的Python代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('wine.data', header=None)
data.columns = ['class', 'Alcohol', 'Malic acid', 'Ash', 'Alcalinity of ash', 'Magnesium', 'Total phenols',
                'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins', 'Color intensity', 'Hue',
                'OD280/OD315 of diluted wines', 'Proline']

# 分离特征和标签
X = data.iloc[:, 1:].values
y = data.iloc[:, 0].values

# 标准化特征
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.xlabel('Alcohol')
plt.ylabel('Malic acid')
plt.show()

在代码中，首先读取数据集，分离特征和标签，标准化特征，然后使用KMeans聚类算法聚类。最后，使用Matplotlib库进行可视化，将聚类结果用散点图表示。其中，散点图的x轴是Alcohol特征，y轴是Malic acid特征，每个点的颜色代表该点的聚类类别。