Python是一種高級編程語言，已經被廣泛應用于不同的領域。其中，K-Means是Python中常用的聚類算法之一。K-Means是一種基于距離的聚類方法，它可以將一個數據集劃分成K個不同的類別。在Python中，我們可以使用scikit-learn庫中的KMeans方法來實現該算法。

from sklearn.cluster import KMeans
import numpy as np
# 載入數據
data = np.genfromtxt('data.csv', delimiter=',')
# 定義k，表示聚類個數
k = 4
# 創建KMeans對象，并進行訓練
kmeans = KMeans(n_clusters=k)
kmeans.fit(data)
# 打印聚類結果
print(kmeans.labels_)

在上述代碼中，我們首先使用numpy庫中的genfromtxt方法載入數據集。然后，我們定義了k的值，表示需要聚類的個數。接著，我們創建了KMeans對象，并使用fit方法進行訓練。最后，通過打印kmeans.labels_數組，我們可以看到聚類結果。

需要注意的是，在使用K-Means算法時，需要進行數據的歸一化處理。這是因為K-Means算法中使用的是歐幾里得距離，而數據的規模不同會極大地影響距離計算結果。因此，我們需要先將數據進行歸一化處理，如下所示：

from sklearn.preprocessing import StandardScaler
# 創建標準化器
scaler = StandardScaler()
# 對數據進行標準化
data = scaler.fit_transform(data)

以上代碼使用了scikit-learn庫中的StandardScaler方法，對數據進行標準化處理，使得各個維度的特征具有相同的規模。

綜上，Python中的K-Means算法可以幫助我們將數據集劃分成K個不同的分類。在使用該算法時，需要對數據進行歸一化處理，以便確保計算距離時的準確性。使用scikit-learn庫中的KMeans方法可以輕松地實現該算法。