KMeans算法,对已有数据集“./testSet.txt”文件进行簇划分（可以尝试取不同K值时的效果）。

好的，我理解了你的问题。为了实现KMeans算法对数据集进行簇划分，我们需要先安装Python的数据处理库numpy和数据可视化库matplotlib。你可以在终端或命令提示符中使用以下命令安装：

pip install numpy matplotlib

然后，我们可以使用以下Python代码实现簇划分：

import numpy as np
import matplotlib.pyplot as plt

# 加载数据集
def loadDataSet(fileName):
    dataMat = []
    fr = open(fileName)
    for line in fr.readlines():
        curLine = line.strip().split('\t')
        fltLine = list(map(float,curLine))
        dataMat.append(fltLine)
    return dataMat

# 计算欧氏距离
def distEclud(vecA, vecB):
    return np.sqrt(np.sum(np.power(vecA - vecB, 2)))

# 随机初始化簇质心
def randCent(dataSet, k):
    n = np.shape(dataSet)[1]
    centroids = np.mat(np.zeros((k,n)))
    for j in range(n):
        minJ = min(dataSet[:,j])
        rangeJ = float(max(dataSet[:,j]) - minJ)
        centroids[:,j] = np.mat(minJ + rangeJ * np.random.rand(k,1))
    return centroids

# KMeans算法
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
    m = np.shape(dataSet)[0]
    clusterAssment = np.mat(np.zeros((m,2)))
    centroids = createCent(dataSet, k)
    clusterChanged = True
    while clusterChanged:
        clusterChanged = False
        for i in range(m):
            minDist = np.inf; minIndex = -1
            for j in range(k):
                distJI = distMeas(centroids[j,:],dataSet[i,:])
                if distJI < minDist:
                    minDist = distJI; minIndex = j
            if clusterAssment[i,0] != minIndex:
                clusterChanged = True
            clusterAssment[i,:] = minIndex,minDist**2
        print("簇心：\n", centroids)
        for cent in range(k):
            ptsInClust = dataSet[np.nonzero(clusterAssment[:,0].A==cent)[0]]
            centroids[cent,:] = np.mean(ptsInClust, axis=0)
    return centroids, clusterAssment

# 绘制数据集和簇
def showCluster(dataSet, k, centroids, clusterAssment):
    fig, ax = plt.subplots()
    plt.title("KMeans Cluster")
    plt.xlabel("X")
    plt.ylabel("Y")
    plt.scatter(dataSet[:,0], dataSet[:,1], c=clusterAssment[:,0].A.ravel())
    plt.scatter(centroids[:,0].A.ravel(), centroids[:,1].A.ravel(), s=100, c="red", marker="+")
    for i in range(k):
        ptsInClust = dataSet[np.nonzero(clusterAssment[:,0].A==i)[0]]
        rect = plt.Rectangle((ptsInClust[:,0].min(),ptsInClust[:,1].min()),ptsInClust[:,0].max()-ptsInClust[:,0].min(),ptsInClust[:,1].max()-ptsInClust[:,1].min(),linewidth=1,edgecolor='r',facecolor='none')
        ax.add_patch(rect)
    plt.show()

# 测试KMeans算法
dataMat = np.mat(loadDataSet("./testSet.txt"))
k = 4
centroids, clusterAssment = kMeans(dataMat, k)
print("簇心：\n", centroids)
showCluster(dataMat, k, centroids, clusterAssment)

在上述代码中，我们首先定义了加载数据集、计算欧氏距离、随机初始化簇质心、KMeans算法和绘制数据集和簇的函数。然后，我们使用`loadDataSet`函数加载数据集，使用`kMeans`函数对数据集进行簇划分，使用`showCluster`函数绘制数据集和簇。最后，我们将数据集和簇绘制在一个图形界面中展示出来。

你可以调整代码中的`k`值，尝试不同的簇数，比如`k=2`或`k=3`，查看不同簇数对簇划分的影响。