python随机生成不同斜率的曲线，然后用kmeans聚类

好的，下面是一个基于Python的示例代码，用于随机生成不同斜率的曲线，并使用K-Means算法进行聚类：

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 设置随机种子，保证每次运行生成的数据相同
np.random.seed(0)

# 生成不同斜率的曲线数据
n_samples = 200
X = np.empty((n_samples, 2))
y = np.empty(n_samples)
for i in range(n_samples):
    if i < 50:
        X[i] = np.random.normal(loc=[0, 0], scale=[0.3, 0.3])
        y[i] = 0
    elif i < 100:
        X[i] = np.random.normal(loc=[0, 1], scale=[0.3, 0.3])
        y[i] = 1
    elif i < 150:
        X[i] = np.random.normal(loc=[1, 0], scale=[0.3, 0.3])
        y[i] = 2
    else:
        X[i] = np.random.normal(loc=[1, 1], scale=[0.3, 0.3])
        y[i] = 3

# 使用K-Means算法进行聚类
kmeans = KMeans(n_clusters=4, random_state=0)
kmeans.fit(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')
plt.title('K-Means Clustering')
plt.show()

在上述示例代码中，我们首先使用`np.random.seed`函数设置随机种子，以确保每次生成的数据相同。然后，我们生成200个数据点，其中前50个点位于斜率为0的直线上，接下来50个点位于斜率为正无穷的直线上，再接下来50个点位于斜率为负无穷的直线上，最后50个点位于斜率为1的直线上。这些数据点被分别标记为类别0、1、2和3。

接着，我们使用`KMeans`函数初始化一个K-Means聚类器，并使用`fit`函数将数据拟合到聚类器中。然后，我们使用`kmeans.labels_`属性获取每个数据点的聚类标签，并使用`plt.scatter`函数将数据点按照聚类标签进行可视化。

以上就是一个基于Python的随机生成不同斜率的曲线，并使用K-Means算法进行聚类的示例代码。