数据集data中部分样本的类别label已知，基于此用python实现kmeans聚类算法

首先，我们需要导入所需的库：numpy和sklearn中的KMeans。

import numpy as np
from sklearn.cluster import KMeans

然后，我们需要加载数据集。假设我们的数据集在一个名为data.csv的文件中，其中第一列是样本的标签，后面的列是特征值。我们可以使用numpy的函数来加载数据：

data = np.genfromtxt('data.csv', delimiter=',')
labels = data[:,0] # 取出标签列
features = data[:,1:] # 取出特征值列

接下来，我们可以使用sklearn中的KMeans算法来进行聚类。KMeans算法需要我们指定聚类的个数k。在这里，我们可以选择已知的标签个数作为聚类的个数。然后，我们可以使用fit_predict函数来训练模型并预测每个样本所属的聚类。

k = len(np.unique(labels)) # 聚类个数等于标签个数
kmeans = KMeans(n_clusters=k)
clusters = kmeans.fit_predict(features)

最后，我们可以将聚类结果与标签进行比较，计算聚类的准确率。

accuracy = np.sum(clusters == labels) / len(labels)
print('Accuracy:', accuracy)

完整代码如下：

import numpy as np
from sklearn.cluster import KMeans

# 加载数据集
data = np.genfromtxt('data.csv', delimiter=',')
labels = data[:,0] # 取出标签列
features = data[:,1:] # 取出特征值列

# 聚类个数等于标签个数
k = len(np.unique(labels))

# KMeans聚类
kmeans = KMeans(n_clusters=k)
clusters = kmeans.fit_predict(features)

# 计算准确率
accuracy = np.sum(clusters == labels) / len(labels)
print('Accuracy:', accuracy)