使用k-means聚类分析，将表中数据聚为2类，通过二轮迭代求质心和类别结果

下面是一个使用k-means聚类分析的示例，将数据集聚为2类，通过二轮迭代求质心和类别结果。假设数据集是一个名为"data.csv"的CSV文件，包含两列特征："Feature1"和"Feature2"。

import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv('data.csv')

# 使用k-means聚类，聚类数为2
kmeans = KMeans(n_clusters=2, random_state=0).fit(df)

# 获取质心
centroids = kmeans.cluster_centers_
print("质心：", centroids)

# 获取每个样本的类别
labels = kmeans.labels_
df['Cluster'] = labels

# 可视化
plt.scatter(df['Feature1'], df['Feature2'], c=labels, cmap='viridis')
plt.scatter(centroids[:, 0], centroids[:, 1], c='red', marker='x', s=100)
plt.show()

在这个示例中，首先导入了所需的库（pandas、sklearn和matplotlib），然后读取CSV文件到DataFrame中。接着，使用sklearn的KMeans方法进行聚类分析，设置聚类数为2。在拟合模型后，我们得到了质心和每个样本的类别。最后，将结果可视化，其中不同颜色代表不同的类别，红色的叉号表示质心。