对于给定的3个聚类中心，如何对样本进行k-均值聚类并输出3类样本

要对样本进行k-均值聚类并输出3类样本，可以使用以下步骤：

1. 定义数据集：将您的样本数据集表示为一个矩阵，每行代表一个样本，每列代表一个特征。

2. 初始化聚类中心：选择3个初始聚类中心，可以是随机选择或根据具体情况进行选择。

3. 迭代更新聚类中心：重复以下步骤直到收敛：
- 计算每个样本与各个聚类中心的距离，通常使用欧氏距离或其他距离度量方法。
- 将每个样本分配到与其距离最近的聚类中心所对应的类别。
- 更新聚类中心为每个类别的样本的平均值。

4. 输出聚类结果：将每个样本分配到最终的聚类结果中的类别。

下面是一个示例代码，演示如何使用Python的`scikit-learn`库进行k-均值聚类：

from sklearn.cluster import KMeans

# 假设样本数据集为X，形式为一个numpy数组
X = ...

# 初始化KMeans模型，设置聚类中心数量为3
kmeans = KMeans(n_clusters=3)

# 对样本数据进行聚类
kmeans.fit(X)

# 获取最终的聚类结果
labels = kmeans.labels_

# 输出每个样本的聚类结果
for i, label in enumerate(labels):
    print("样本 {} 的聚类结果为 {}".format(i, label))

请注意，上述示例代码中的`X`是代表样本数据集的矩阵，您需要将其替换为您自己的样本数据。另外，`scikit-learn`库提供了许多参数和选项，您可以根据具体情况进行调整和优化。