我们已经学习过无监督学习、K-means 和 GMM。本题目要求对 cluster.dat 进行 聚类。cluster.dat 包含了若干二维输入数据（但不包含其输出）。
K-means (20 points) 使用 K-means 模型进行聚类。尝试使用不同的类别个数 K，并分析聚类结果。
按照 8:2 的比例，随机将数据划分为训练集和测试集。至少尝试 3 个不同的 K 值， 并画出不同 K 下的聚类结果，及不同模型在训练集和测试集上的损失。对结果进 行讨论，发现能解释数据的最好的 K 值。
Macintosh 12.4
ARM-python 3.8
调用库：
import numpy as np
import matplotlib.pyplot as plt
from math import floor- 从给定的cluster.dat文件读取数据集，使用readlines方式读取，并将字符串形式的数据转化为str格式；
- 获取两个点集之间的欧式距离：
def getDistance(A, B)输入：点集A，点集B
要求：点集A和点集B的shape必须相同。
返回：点集的距离列表（如果只有一个距离值则是float形式）
- 随机获取中心点：
def randomCenter(data, k)调用randomInteger获取k个随机index值，随后在数据集data中取出对应的数据值。
输入：数据集data，中心点个数k
返回：选中的中心点列表
- 获取随机整数：
def randomInteger(low, high, length)使用np.random.randint获取给定范围内的给定个数整数。
问题：取值个数越大，np.random.randint越可能会取到相同的随机数值。
解决：不断取值、加入随机数列表中，当现在的随机数列表长度等于length时停止返回。
输入：随机数下限low（包括），随机数上限high（不包括），随机数取值列表长度length
返回：随机数取值列表
- 获取数据集的新中心：
def newCenter(typeList, data, K)用于KMeans算法中重新获取类聚中心，使用平均值方式计算。
输入：类聚类型列表typeList（记录了已分类好数据的类别号，大于0的整数），数据集data，类聚数K
输出：新的中心列表
- KMeans主算法：
def KMeans(data, K)重复一下过程：
类聚、计算每个类的中心点，然后使用平均方法计算新的中心点；
新旧中心点的欧式距离在1以内，合格的中心点数+1；
直到合格的中心点数等于K，算法结束。
输入：数据集data，类聚数K
输出：类别标号typeList，中心点K
- 在坐标系中展示类聚结果
def drawPoint(data, label, center)输入：数据集data，分类类别标号label，中心点center
输出：plt图展示，用不同的颜色显示数据集中不同类别的点以及中心点。
- 分割训练集测试集，进行训练和测试，并展示结果：
def fit_predict(data, K, ratio=4)在测试的时候，数据将会被分类入欧式距离最小的中心点坐标。
输入：数据集data，类聚个数K，训练集与测试集的比例ratio（默认为4）
输出：plt图展示。