编程创建一个K＝10 的KMeas对象。 创建管道并训练，记录训练时间 通过惯性(inertia)聚类的性能

好的，这里给出一个使用Python的sklearn库实现KMeans聚类的例子：

from sklearn.cluster import KMeans
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
import time

# 创建KMeans对象
kmeans = KMeans(n_clusters=10)

# 创建管道
pipeline = make_pipeline(StandardScaler(), kmeans)

# 训练并记录训练时间
start_time = time.time()
pipeline.fit(X)  # X为数据集
end_time = time.time()
train_time = end_time - start_time

# 输出惯性(inertia)
print("Inertia:", kmeans.inertia_)

在上面的代码中，我们首先创建了一个KMeans对象，将聚类数设置为10。然后我们使用sklearn库中的make_pipeline函数创建了一个管道，包括数据标准化和KMeans聚类。接着我们通过调用fit方法对数据进行训练，并记录了训练时间。最后，我们输出了聚类的惯性(inertia)作为性能指标。

需要注意的是，上述代码中的X应该是一个n_samples x n_features的矩阵，其中n_samples表示样本数量，n_features表示每个样本的特征数量。如果你没有数据，可以自己生成一些数据进行测试，例如：

import numpy as np

X = np.random.randn(1000, 20)  # 生成1000个样本，每个样本包含20个特征

希望这个例子能够帮助到你。