我对 "sklearn.cluster.k_means "和 "sklearn.cluster.KMeans "之间的区别感到困惑，当我应该使用它们中的一个？
从 sklearn词汇表: "我们为许多算法提供了专门的函数接口，而估计器类则提供了更一致的接口。" k_means() 只是一个包装器，它返回的结果是 KMeans.fit():
cluster_centers_,labels_,inertia_,n_iter_KMeans 是一个按照开发指南设计的类，用于 sklearn对象. KMeans和sklearn中的其他分类器对象一样。必须实施 的方法。
fit(),transform()和 score().并可以实现其他方法，如 predict(). 使用的主要好处是 KMeans 在...上 k_means() 是你可以很容易地访问在 KMeans. 例如，如果你想用你的训练模型来进行 predict 未见数据属于哪个集群。
from sklearn.clustering import KMeans
est = KMeans()
KMeans.fit(X_train)
cluster_labels = est.predict(X_test)
如果你使用功能API， 要应用预测，你将不得不寻找的引擎盖下的。KMeans.predict() 来了解如何做到这一点。
功能设计并不是对所有的sklearn对象都能实现，但你可以使用sklearn的其他例子来指导你自己轻松实现。