使用K-means对sklearn自带数据集进行聚类，使用sklearn，并且对K值进行寻找最优 全部代码

好的，下面是使用K-means对sklearn自带数据集进行聚类的完整代码，包括了K值的寻找最优。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
from sklearn.metrics import silhouette_score

# 生成数据
X, y = make_blobs(n_samples=1000, n_features=2, centers=4, random_state=42)

# 寻找最优K值
sse = []
silhouette_coef = []
for k in range(2, 11):
    kmeans = KMeans(n_clusters=k, random_state=0).fit(X)
    sse.append(kmeans.inertia_)
    score = silhouette_score(X, kmeans.labels_, metric='euclidean')
    silhouette_coef.append(score)

# 绘制SSE和轮廓系数曲线
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.plot(range(2, 11), sse, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('SSE')
plt.title('Elbow Method')

plt.subplot(122)
plt.plot(range(2, 11), silhouette_coef, marker='o')
plt.xlabel('Number of clusters')
plt.ylabel('Silhouette Coefficient')
plt.title('Silhouette Method')

plt.show()

# 选取最优K值进行聚类
k = 4
kmeans = KMeans(n_clusters=k, random_state=0).fit(X)

# 可视化聚类结果
centers = kmeans.cluster_centers_
colors = ['r', 'g', 'b', 'y', 'c', 'm']
for i in range(k):
    index = np.where(kmeans.labels_ == i)
    plt.scatter(X[index, 0], X[index, 1], c=colors[i], label='Cluster {}'.format(i))
plt.scatter(centers[:, 0], centers[:, 1], marker='*', s=200, c='#000000')
plt.legend()
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.show()

在代码中，首先使用sklearn中的make_blobs函数生成了一个聚类数据集，然后使用循环遍历K值，通过KMeans算法进行聚类，并计算SSE和轮廓系数。最后，根据SSE和轮廓系数的曲线，选取最优K值进行聚类，并可视化聚类结果。

需要注意的是，由于该数据集是人为生成的，因此不同的数据集可能需要不同的K值才能得到最优聚类结果。因此，在实际应用中还需要根据具体数据集进行调整。