利用k-means算法对UCI数据库中wine数据集聚类的代码

以下是利用k-means算法对UCI数据库中wine数据集聚类的Python代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 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)

# 输出聚类结果
print(kmeans.labels_)

其中，'wine.data'是wine数据集的文件名。在代码中，先用Pandas库读取数据集，然后将特征和标签分离。接着，使用StandardScaler将特征进行标准化处理。最后使用sklearn库中的KMeans算法进行聚类。聚类时选择3个簇，输出聚类结果。