对UCI数据库中Car Evaluation数据集用k-means算法聚类并可视化的代码

以下是对UCI数据库中Car Evaluation数据集用k-means算法聚类并可视化的Python代码：

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import LabelEncoder, StandardScaler
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('car.data', header=None)
data.columns = ['buying', 'maint', 'doors', 'persons', 'lug_boot', 'safety', 'class']

# 将类别特征编码为数字
le = LabelEncoder()
for col in data.columns:
    data[col] = le.fit_transform(data[col])

# 分离特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 标准化特征
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 聚类
kmeans = KMeans(n_clusters=4, random_state=0).fit(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.xlabel('buying')
plt.ylabel('maint')
plt.show()

在代码中，首先读取数据集，然后使用LabelEncoder将类别特征编码为数字，分离特征和标签，标准化特征，然后使用KMeans聚类算法聚类。最后，使用Matplotlib库进行可视化，将聚类结果用散点图表示。其中，散点图的x轴是buying特征，y轴是maint特征，每个点的颜色代表该点的聚类类别。