利用sklearn中的make_bolbs()函数随机生成200个样本数据，样本数据特征数为3个，然后利用sklearn 中的KMeans()函数进行聚类分析,并将结果显示出来。

好的，下面是代码实现：

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 生成随机样本数据
X, y = make_blobs(n_samples=200, n_features=3, centers=4, random_state=42)

# KMeans聚类分析
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(X)

# 绘制聚类结果
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_)
plt.show()

解释一下代码：

1. 我们首先调用`make_blobs()`函数生成了200个样本数据，每个样本数据包含3个特征，共分为4类。
2. 然后我们调用`KMeans()`函数进行聚类分析，设置聚类数为4。
3. 最后我们将聚类结果绘制在二维平面上，通过不同颜色的散点图来表示不同的聚类类别。

运行以上代码，你应该可以看到一张散点图，图中的不同颜色代表不同的聚类类别。