Python

好的，针对这个问题，你可以按照以下步骤进行编写代码：

1. 首先导入需要使用的库，如numpy、sklearn、matplotlib等。
2. 使用numpy的random函数生成100个随机数。
3. 随机生成3-10个簇，可以使用random.randint函数实现。
4. 使用sklearn的KMeans函数进行聚类，其中n_clusters参数为簇的个数。
5. 确定最佳簇个数，可以使用手肘法（即绘制不同簇数下SSE的拆线图，找到拐点即为最佳簇个数）。
6. 绘制每种聚类的SSE值的拆线图进行比较，可以使用matplotlib库实现。

下面是示例代码：

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 随机生成100个数
X = np.random.rand(100, 1)

# 随机生成3-10个簇
k = np.random.randint(3, 11)

# 计算不同簇数下SSE
SSE = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, random_state=0).fit(X)
    SSE.append(kmeans.inertia_)

# 绘制SSE拆线图
plt.plot(range(1, 11), SSE)
plt.title('Elbow Method')
plt.xlabel('Number of Clusters')
plt.ylabel('SSE')
plt.show()

# 使用最佳簇个数进行聚类
kmeans = KMeans(n_clusters=k, random_state=0).fit(X)

# 绘制聚类结果
plt.scatter(X, np.zeros_like(X), c=kmeans.labels_)
plt.title('Clustering')
plt.xlabel('Value')
plt.show()

运行结果中，第一幅图是SSE拆线图，可以通过拐点确定最佳簇个数。第二幅图是聚类结果，不同簇的数据点用不同颜色表示。