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。可以根據實際情況調整聚類的數量和其他參數來獲取更好的聚類效果。
