在数据科学的世界里，聚类分析是一项基础且强大的工具。今天，让我们聚焦于`sklearn`中的`KMeans`算法💡。KMeans是一种无监督学习方法，它将数据集划分为预设数量的簇（clusters），每个簇由距离最近的中心点定义。

首先，确保安装了`scikit-learn`库，并导入必要的模块👇：

```python

from sklearn.cluster import KMeans

```

接着，准备好你的数据集，比如二维数组形式的数据点。初始化模型时，指定簇的数量（如`n_clusters=3`）和其他参数：

```python

kmeans = KMeans(n_clusters=3, random_state=42)

```

运行模型后，通过`fit()`函数训练模型，然后用`predict()`预测每个样本所属的簇：

```python

kmeans.fit(data)

predictions = kmeans.predict(data)

```

最后，可视化结果，使用matplotlib或seaborn绘制不同簇的颜色分布🎉：

```python

import matplotlib.pyplot as plt

plt.scatter(data[:, 0], data[:, 1], c=predictions, cmap='viridis')

plt.show()

```

KMeans简单高效，但需注意选择合适的簇数和处理异常值！📊🌈