给定数据集：iris_2_3.txt，用random.shuffle()函数随机排列数据集顺序，用PCA算法对随机排列的iris_2_3.txt数据降维（3维），再用k-mean聚2类，写出聚类中心坐标。

好的，你可以按照以下步骤来实现：

1. 导入所需的库和函数：

import numpy as np
import random
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

2. 加载数据集：

data = np.loadtxt('iris_2_3.txt', delimiter=',')

3. 随机打乱数据集的顺序：

random.shuffle(data)

4. 对数据集进行PCA降维：

pca = PCA(n_components=3)
data_pca = pca.fit_transform(data)

5. 使用KMeans算法对数据进行聚类：

kmeans = KMeans(n_clusters=2)
kmeans.fit(data_pca)

6. 输出聚类的中心坐标：

print(kmeans.cluster_centers_)

完整代码如下：

import numpy as np
import random
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

# 加载数据集
data = np.loadtxt('iris_2_3.txt', delimiter=',')

# 随机打乱数据集的顺序
random.shuffle(data)

# 对数据集进行PCA降维
pca = PCA(n_components=3)
data_pca = pca.fit_transform(data)

# 使用KMeans算法对数据进行聚类
kmeans = KMeans(n_clusters=2)
kmeans.fit(data_pca)

# 输出聚类的中心坐标
print(kmeans.cluster_centers_)

需要注意的是，这里我们使用了PCA降维算法将数据降到3维，然后使用KMeans算法聚类成2类。实际应用时，你需要根据具体的数据集进行相应的调整，包括降维的维度、聚类的类别数等。