本片部落格是根據《Python機器學習及實踐》一書中的例項，所有程式碼均在本地編譯通過。資料為從該書指定的百度網盤上下載的，或者是sklearn自帶資料下載到本地使用的。
程式碼片段：

# coding: utf-8
# 分別匯入numpy、matplotlib以及pandas，用於數學運算、作圖以及資料分析。
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
# 使用pandas分別讀取訓練資料與測試資料集。
digits_train = pd.read_csv('D:\Source Code\machinelearn\optdigits.tra'
 
, header=None)
digits_test = pd.read_csv('D:\Source Code\machinelearn\optdigits.tes', header=None)
# 從訓練與測試資料集上都分離出64維度的畫素特徵與1維度的數字目標。
X_train = digits_train[np.arange(64)]
y_train = digits_train[64]
X_test = digits_test[np.arange(64)]
y_test = digits_test[64]
# 從sklearn.cluster中匯入KMeans模型。
from sklearn.cluster import
 
 KMeans
# 初始化KMeans模型，並設定聚類中心數量為10。
kmeans = KMeans(n_clusters=10)
kmeans.fit(X_train)
# 逐條判斷每個測試影象所屬的聚類中心。
y_pred = kmeans.predict(X_test)
# 從sklearn匯入度量函式庫metrics。
from sklearn import metrics
# 使用ARI進行KMeans聚類效能評估。
print metrics.adjusted_rand_score(y_test, y_pred)

import numpy as np
# 從sklearn.cluster中匯入KMeans演算法包。
 

from sklearn.cluster import KMeans
# 從sklearn.metrics匯入silhouette_score用於計算輪廓係數。
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt
# 分割出3*2=6個子圖，並在1號子圖作圖。
plt.subplot(3,2,1)
# 初始化原始資料點。
x1 = np.array([1, 2, 3, 1, 5, 6, 5, 5, 6, 7, 8, 9, 7, 9])
x2 = np.array([1, 3, 2, 2, 8, 6, 7, 6, 7, 1, 2, 1, 1, 3])
X = np.array(zip(x1, x2)).reshape(len(x1), 2)
# 在1號子圖做出原始資料點陣的分佈。
plt.xlim([0, 10])
plt.ylim([0, 10])
plt.title('Instances')
plt.scatter(x1, x2)
colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k', 'b']
markers = ['o', 's', 'D', 'v', '^', 'p', '*', '+']
clusters = [2, 3, 4, 5, 8]
subplot_counter = 1
sc_scores = []
for t in clusters:
    subplot_counter += 1
    plt.subplot(3, 2, subplot_counter)
    kmeans_model = KMeans(n_clusters=t).fit(X)
    for i, l in enumerate(kmeans_model.labels_):
        plt.plot(x1[i], x2[i], color=colors[l], marker=markers[l], ls='None')
    plt.xlim([0, 10])
    plt.ylim([0, 10])
    sc_score = silhouette_score(X, kmeans_model.labels_, metric='euclidean')
    sc_scores.append(sc_score)
# 繪製輪廓係數與不同類簇數量的直觀顯示圖。
    plt.title('K = %s, silhouette coefficient= %0.03f' %(t, sc_score))
# 繪製輪廓係數與不同類簇數量的關係曲線。
plt.figure()
plt.plot(clusters, sc_scores, '*-')
plt.xlabel('Number of Clusters')
plt.ylabel('Silhouette Coefficient Score')
plt.show()

import numpy as np
from sklearn.cluster import KMeans
from scipy.spatial.distance import cdist
import matplotlib.pyplot as plt
# 使用均勻分佈函式隨機三個簇，每個簇周圍10個數據樣本。
cluster1 = np.random.uniform(0.5, 1.5, (2, 10))
cluster2 = np.random.uniform(5.5, 6.5, (2, 10))
cluster3 = np.random.uniform(3.0, 4.0, (2, 10))
# 繪製30個數據樣本的分佈圖像。
X = np.hstack((cluster1, cluster2, cluster3)).T
plt.scatter(X[:,0], X[:, 1])
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()
# 測試9種不同聚類中心數量下，每種情況的聚類質量，並作圖。
K = range(1, 10)
meandistortions = []
for k in K:
    kmeans = KMeans(n_clusters=k)
    kmeans.fit(X)
    meandistortions.append(sum(np.min(cdist(X, kmeans.cluster_centers_, 'euclidean'), axis=1))/X.shape[0])
plt.plot(K, meandistortions, 'bx-')
plt.xlabel('k')
plt.ylabel('Average Dispersion')
plt.title('Selecting k with the Elbow Method')
plt.show()