给我一段python代码，演示如何将FashionMNIST数据集分成n份有m条数据的小数据集，其中小数据集内部分布集中，各个小数据集之间分布分散

以下是一个示例代码，可以将 FashionMNIST 数据集分成 n 份，每份有 m 条数据，并且保持小数据集内部分布集中，各个小数据集之间分布分散。

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split

# 加载 FashionMNIST 数据集
X, y = fetch_openml('Fashion-MNIST', version=1, return_X_y=True)

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 将数据集分成 n 份，每份有 m 条数据
n = 5
m = 10000
X_subsets = []
y_subsets = []
for i in range(n):
    # 使用 KMeans 算法将数据集分成 m 个簇
    kmeans = KMeans(n_clusters=m, random_state=42).fit(X_train)
    # 选择距离每个簇中心最近的数据点作为子数据集
    closest_points = kmeans.transform(X_train).argmin(axis=0)
    X_subset = X_train[closest_points == i * m:(i + 1) * m]
    y_subset = y_train[closest_points == i * m:(i + 1) * m]
    X_subsets.append(X_subset)
    y_subsets.append(y_subset)

# 打印每个子数据集的大小和标签分布
for i in range(n):
    print(f'Subset {i}: {X_subsets[i].shape}, {np.bincount(y_subsets[i])}')

该代码使用 KMeans 算法将训练集分成 m 个簇，并选择距离每个簇中心最近的数据点作为子数据集。由于 KMeans 算法会尝试将数据点分成相等大小的簇，因此每个子数据集的大小大致相等。同时，由于选择的数据点距离簇中心最近，因此子数据集内部分布集中。最后，每个子数据集的标签分布也被打印出来，以确保它们之间分布分散。