对下载的文档（文档存储在./data路径下），利用K-Means聚类算法进行聚类。 要求如下： ◼ 将下载的500个中文/英文文档（文档存储在./data路径下）聚为20个类，并显示聚类之后所形成的三个最大 的类，及每个类中代表性的文档（即，离类中心最近的五个文档）。距离计算公式，可采用余弦距离，也可用欧式距离。请给出详细的代码注释

好的，我会为您解答。首先，我们需要安装必要的库，如sklearn、numpy、pandas、jieba等，可以使用以下命令进行安装：

!pip install sklearn numpy pandas jieba

接着，我们可以读取文档数据并进行预处理，可以使用jieba库对文档进行分词，并将分词结果保存到列表中。

import os
import jieba

data_path = './data'
texts = []

for filename in os.listdir(data_path):
    with open(os.path.join(data_path, filename), 'r', encoding='utf-8') as f:
        text = f.read()
        words = list(jieba.cut(text))
        texts.append(' '.join(words))

接下来，我们需要将文档转换成向量形式，这里我们使用TfidfVectorizer类来实现，它可以将文本转换成词频矩阵，然后计算TF-IDF值。同时，我们还需要使用KMeans类来进行聚类操作。

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

vectorizer = TfidfVectorizer(max_features=5000)
X = vectorizer.fit_transform(texts)

kmeans = KMeans(n_clusters=20, random_state=0)
kmeans.fit(X)

接下来，我们可以将聚类结果进行可视化，可以使用pandas和matplotlib库来实现。我们可以将每个文档的聚类标签添加到数据框中，并统计每个聚类中文档的数量。

import pandas as pd
import matplotlib.pyplot as plt

df = pd.DataFrame({'text': texts})
df['label'] = kmeans.labels_

counts = df['label'].value_counts()
top_3 = counts[:3]
print('Top 3 clusters:', top_3)

plt.figure(figsize=(10, 5))
plt.bar(counts.index, counts.values)
plt.xlabel('Cluster')
plt.ylabel('Count')
plt.show()

最后，我们可以输出每个聚类中离聚类中心最近的5个文档。

def get_representative_documents(df, cluster_id, n=5):
    cluster = df[df['label'] == cluster_id]
    centroids = kmeans.cluster_centers_[cluster_id]
    distances = [cosine_similarity(X[i], centroids) for i in cluster.index]
    cluster['distance'] = distances
    return cluster.sort_values('distance')[:n]['text'].tolist()

for i in top_3.index:
    print('Cluster', i)
    print(get_representative_documents(df, i))

其中，get_representative_documents函数可以获取某个聚类中离聚类中心最近的n个文档。这里我们使用余弦相似度来计算距离。