通过K means实现多维数组聚类

K-means聚类是一种基于距离度量的聚类算法，可以用于多维数组聚类。以下是一个简单的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 随机生成一个 10 行 3 列的多维数组
X = np.random.random((10, 3))

# 创建 KMeans 聚类器
kmeans = KMeans(n_clusters=3)

# 执行聚类
kmeans.fit(X)

# 输出聚类结果
print(kmeans.labels_)

在上面的代码中，我们首先使用NumPy库生成一个10行3列的随机多维数组，然后使用Scikit-learn库的KMeans类创建一个聚类器，并将聚类数设置为3。接下来，我们将随机生成的多维数组传递给聚类器的fit方法进行聚类，并使用labels_属性获取聚类结果。

需要注意的是，K-means聚类算法的结果可能会受到初始聚类中心的影响，因此在实际应用中需要多次运行并比较不同结果。