再給一個百度上找的例子（侵權刪）：

# -*- coding: utf-8 -*-
from sklearn.cluster import KMeans
from sklearn.externals import joblib
import numpy

final = open('c:/test/final.dat' , 'r')

data = [line.strip().split('\t') for line in final]
feature = [[float(x) for x in row[3:]] for row in data]

#呼叫kmeans類
clf = KMeans(n_clusters=9
 
)
s = clf.fit(feature)
print s

#9箇中心
print clf.cluster_centers_

#每個樣本所屬的簇
print clf.labels_

#用來評估簇的個數是否合適，距離越小說明簇分的越好，選取臨界點的簇個數
print clf.inertia_

#進行預測
print clf.predict(feature)

#儲存模型
joblib.dump(clf , 'c:/km.pkl')

#載入儲存的模型
clf = joblib.load('c:/km.pkl')

'''
#用來評估簇的個數是否合適，距離越小說明簇分的越好，選取臨界點的簇個數
for i in range(5,30,1):
    clf = KMeans(n_clusters=i)
    s = clf.fit(feature)
    print i , clf.inertia_
'''
 

初學者講解如下：
參考http://www.cnblogs.com/meelo/p/4272677.html
sklearn對於所有的機器學習演算法有一個一致的介面，一般需要以下幾個步驟來進行學習：
1、初始化分類器，根據不同的演算法，需要給出不同的引數，一般所有的引數都有一個預設值。

（1）對於K均值聚類，我們需要給定類別的個數n_cluster，預設值為8；
（2）max_iter為迭代的次數，這裡設定最大迭代次數為300；
（3）n_init設為10意味著進行10次隨機初始化，選擇效果最好的一種來作為模型；
（4） init=’k-means++’ 會由程式自動尋找合適的n_clusters；
（5）tol：float形，預設值= 1e-4，與inertia結合來確定收斂條件；
（6）n_jobs：指定計算所用的程序數；
（7）verbose 引數設定列印求解過程的程度，值越大，細節列印越多；
（8）copy_x：布林型，預設值=True。當我們precomputing distances時，將資料中心化會得到更準確的結果。如果把此引數值設為True，則原始資料不會被改變。如果是False，則會直接在原始資料
上做修改並在函式返回值時將其還原。但是在計算過程中由於有對資料均值的加減運算，所以資料返回後，原始資料和計算前可能會有細小差別。
屬性：