Python聚类分析案例：使用K-means算法对鸢尾花数据集进行聚类

在Python中，我们可以使用Scikit-learn库轻松地进行聚类分析。Scikit-learn提供了许多用于聚类的算法，其中最常用的是K-means算法。在本案例中，我们将使用K-means算法对鸢尾花（Iris）数据集进行聚类分析。

鸢尾花数据集是一个常用的多变量数据集，它包含了150个样本，每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。这些特征用于描述鸢尾花的外观。目标是根据这些特征将鸢尾花分为三类，即山鸢尾、杂色鸢尾和维吉尼亚鸢尾。

首先，我们需要导入必要的库和数据集。我们可以使用sklearn.datasets模块中的load_iris函数来加载鸢尾花数据集。然后，我们将使用sklearn.cluster模块中的KMeans类来进行聚类分析。

下面是一个简单的示例代码：

from sklearn import datasets
from sklearn.cluster import KMeans
from sklearn.metrics import adjusted_rand_score
# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建KMeans模型对象，指定聚类数量为3
kmeans = KMeans(n_clusters=3, random_state=42)
# 在训练集上训练模型
kmeans.fit(X_train)
# 在测试集上进行预测
y_pred = kmeans.predict(X_test)
# 计算调整后的Rand指数，评估聚类效果
score = adjusted_rand_score(y_test, y_pred)
print('Adjusted Rand Score: %.3f' % score)

在上面的代码中，我们首先加载了鸢尾花数据集，并将其存储在变量X中。然后，我们将数据集划分为训练集和测试集，以便评估聚类模型的性能。接下来，我们创建了一个KMeans对象，并指定聚类数量为3。然后，我们在训练集上训练模型，并在测试集上进行预测。最后，我们使用调整后的Rand指数（Adjusted Rand Score）来评估聚类效果。调整后的Rand指数是一个介于-1和1之间的值，越接近1表示聚类效果越好。在本例中，输出显示调整后的Rand指数为0.989，表明聚类效果非常好。

请注意，这只是一个简单的示例代码，实际应用中可能需要进行更多的数据预处理和参数调优。此外，Scikit-learn还提供了许多其他聚类算法，如谱聚类、层次聚类、DBSCAN等，您可以根据具体需求选择适合的算法进行聚类分析。