要实现不寻常的语言文本聚类/分类，可以使用以下解决方法：

1. 数据预处理：首先，对原始文本数据进行预处理，包括去除特殊字符、标点符号、停用词等。可以使用Python中的NLTK库或者spaCy库来进行文本清洗和分词。

2. 特征提取：从预处理后的文本中提取特征。常用的特征提取方法包括词袋模型（Bag of Words）、TF-IDF（Term Frequency-Inverse Document Frequency）、Word2Vec等。可以使用Python中的sklearn库或者gensim库来实现特征提取。

3. 聚类算法：选择合适的聚类算法来对文本进行聚类。常用的聚类算法包括K-means、层次聚类（Hierarchical Clustering）和DBSCAN等。可以使用Python中的sklearn库或者scipy库来实现聚类算法。

4. 分类算法：选择合适的分类算法来对文本进行分类。常用的分类算法包括朴素贝叶斯（Naive Bayes）、支持向量机（Support Vector Machine）和随机森林（Random Forest）等。可以使用Python中的sklearn库来实现分类算法。

下面是一个使用K-means聚类算法的代码示例：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

# 假设有一个包含多个文本的列表
text_data = ["文本1", "文本2", "文本3", ...]

# 对文本进行预处理和特征提取
vectorizer = TfidfVectorizer()
features = vectorizer.fit_transform(text_data)

# 使用K-means算法进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(features)

# 打印每个文本所属的聚类类别
for i, label in enumerate(kmeans.labels_):
    print("文本{}属于聚类类别{}".format(i, label))

这段代码首先使用TfidfVectorizer对文本进行预处理和特征提取，然后使用K-means算法进行聚类，并打印每个文本所属的聚类类别。

注意：具体的代码实现可能会根据具体的问题和数据集有所不同，上述代码仅为示例，您可以根据自己的需求进行调整和扩展。