要比较k均值聚类结果与层次聚类结果，可以按照以下步骤进行：

1. 首先进行k均值聚类：

from sklearn.cluster import KMeans

# 假设有一个数据集X
k = 3  # 设置聚类的簇数
kmeans = KMeans(n_clusters=k)
kmeans.fit(X)

# 获取聚类结果
kmeans_labels = kmeans.labels_

2. 然后进行层次聚类：

from sklearn.cluster import AgglomerativeClustering

# 假设有一个数据集X
k = 3  # 设置聚类的簇数
hierarchical = AgglomerativeClustering(n_clusters=k)
hierarchical.fit(X)

# 获取聚类结果
hierarchical_labels = hierarchical.labels_

3. 接下来，可以使用一些评估指标来比较两种聚类结果的相似性，例如Adjusted Rand Index (ARI)、Normalized Mutual Information (NMI)等。可以使用scikit-learn库中的metrics模块来计算这些指标：

from sklearn import metrics

# 计算ARI
ari = metrics.adjusted_rand_score(kmeans_labels, hierarchical_labels)
print("Adjusted Rand Index (ARI):", ari)

# 计算NMI
nmi = metrics.normalized_mutual_info_score(kmeans_labels, hierarchical_labels)
print("Normalized Mutual Information (NMI):", nmi)

这样就可以通过计算这些指标来比较k均值聚类结果与层次聚类结果的相似性了。较高的ARI和NMI值表示两种聚类结果之间的相似性较高。