好的，下面是使用 k-means 聚类算法对数据集进行聚类的代码： 首先，导入所需的库：``` numpy as as 。 作为 。 ``接下来，读取数据集：`` ` = pd.('data.csv')X = data.iloc[:, [0, 1]]。````其中，`data.csv`是一个包含两列数据的 CSV 文件，每一行代表一个数据点。 然后，使用 Elbow 方法确定最佳簇数： ``` = []for i in range(1, 11): = (=i, init='k-means++', =300, =10, = 0 ).fit(X)wcss.(.)plt.plot(range(1, 11), wcss)plt.title('肘部')plt.(' of ')plt.('WCSS')plt.show ( )```在上面的代码中，我们循环了从1到10的簇号，并计算了每个簇号下的WCSS (--Sum-of-)。

然后我们绘制了簇数和 WCSS 之间的关系，通过观察图像，我们可以粗略地确定最佳簇数。 最后，使用确定的簇数进行 k-means 聚类： 上面的 ``` = (=3, init='k-means++', =300, =10, =0) = .(X)```在代码中，我们将聚类数设置为3，使用`()`方法对数据进行聚类，并将聚类结果赋值给`. 以下是完整代码：``` numpy as as . 作为 。 = pd.('data.csv')X = data.iloc[:, [0, 1]]。 = []for i in range(1, 11): = (=i, init='k-means++', =300, =10, =0).fit(X)wcss.(.)plt.plot(range (1, 11), wcss)plt. title('Elbow')plt.(' of ')plt.('WCSS')plt.show() = (=3, init='k-means++', =300, =10, =0) = .( X)plt.(X[ == 0, 0], X[ == 0, 1], s=100, c='红色', 标签=' 1')plt.(X[ == 1, 0] , X[ == 1, 1], s=100, c='蓝色', label=' 2')plt.(X[ == 2, 0], , c='绿色', label=' 3' )plt.(.[:, 0], .[:, 1], s=300, c='', label='')plt.title('' )plt.('X')plt.(' Y')plt.()plt.show()```其中`data.csv`文件内容如下：```X,Y2,32,43, 46,67,57,7 ``最后，我们还绘制了聚类结果的散点图。 在这里，我们使用不同的颜色来表示不同的簇，并使用一个大黄点来表示每个簇的中心点。