Python中的无监督学习：探索数据模式

无监督学习是机器学习领域的一个重要分支，它的目标是从未标记的数据中发现模式和结构。与有监督学习不同，无监督学习不依赖于已知的标签或目标，而是通过对数据进行聚类、降维、关联规则挖掘等技术来揭示数据的内在结构。Python提供了丰富的库和工具，使得无监督学习变得更加便捷。在本文中，我们将介绍使用Python进行无监督学习的基本方法，并提供相应的源代码示例。

1. 数据准备
   在进行无监督学习之前，我们需要准备好适合的数据集。数据集可以是结构化的，如表格数据，也可以是非结构化的，如文本、图像等。根据具体的问题和数据类型，选择合适的数据预处理方法，如数据清洗、特征选择、特征缩放等。下面是一个简单的数据集准备示例：

import numpy as np
from sklearn.preprocessing import StandardScaler

# 假设我们有一个包含两个特征的数据集
data