以下是使用K均值和TF-IDF进行聚类的Python代码示例：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

# 读取数据
data = pd.read_csv('data.csv')

# 使用TF-IDF向量化文本数据
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(data['text'])

# 使用K均值进行聚类
k = 3  # 聚类的数量
kmeans = KMeans(n_clusters=k)
kmeans.fit(X)

# 获取每个文本所属的聚类类别
labels = kmeans.labels_

# 将类别标签添加到原始数据中
data['cluster'] = labels

# 打印每个类别的文本
for i in range(k):
    cluster_data = data[data['cluster'] == i]['text']
    print(f'Cluster {i+1}:')
    for text in cluster_data:
        print(text)
    print('------------------------------')

请注意，上述代码中的"data.csv"应替换为包含原始数据的CSV文件的路径。在这个示例中，假设数据集包含一个"text"列，其中包含要聚类的文本数据。

此代码使用TF-IDF向量化文本数据，并使用K均值算法将文本聚类为k个不同的类别。然后，代码将每个文本的聚类标签添加到原始数据中，并打印每个类别的文本数据。

希望对你有所帮助！