在Scikit-learn中，可以使用TfidfVectorizer和KMeans來實現文本聚類。以下是一個簡單的示例代碼：
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans
# 文本數據
documents = [
'This is the first document.',
'This document is the second document.',
'And this is the third one.',
'Is this the first document?',
]
# 使用TfidfVectorizer將文本轉換成TF-IDF特征
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(documents)
# 使用KMeans進行聚類
kmeans = KMeans(n_clusters=2)
kmeans.fit(X)
# 輸出聚類結果
clusters = kmeans.labels_
for i, text in enumerate(documents):
print(f"Document '{text}' belongs to cluster {clusters[i]}")
在上面的代碼中，首先使用TfidfVectorizer將文本數據轉換成TF-IDF特征，然后使用KMeans進行聚類，最后輸出每個文檔所屬的聚類?？梢愿鶕嶋H情況調整聚類的數量和其他參數來獲取更好的聚類效果。
