不均匀分布数据的分类方法一般使用聚类算法，其中常用的方法有K均值聚类和DBSCAN聚类。

下面是Python代码示例，使用scikit-learn库实现K均值聚类和DBSCAN聚类的分类方法：

1. K均值聚类

from sklearn.cluster import KMeans
import numpy as np

# 生成不均匀分布的数据
np.random.seed(0)
X = np.concatenate([np.random.normal(0, 1, 500), np.random.normal(4, 1, 500)]).reshape(-1, 1)

# 使用K均值聚类将数据分为两类
kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

# 打印每个样本所属的类别
print(kmeans.labels_)

2. DBSCAN聚类

from sklearn.cluster import DBSCAN
import numpy as np

# 生成不均匀分布的数据
np.random.seed(0)
X = np.concatenate([np.random.normal(0, 1, 500), np.random.normal(4, 1, 500)]).reshape(-1, 1)

# 使用DBSCAN聚类将数据分为两类
dbscan = DBSCAN(eps=0.5, min_samples=5)
dbscan.fit(X)

# 打印每个样本所属的类别
print(dbscan.labels_)

以上代码示例中，首先生成了一个不均匀分布的数据集X，其中包含了两个不同均值的正态分布。然后使用K均值聚类和DBSCAN聚类方法将数据分为两类，并打印每个样本所属的类别。

需要注意的是，聚类算法的性能和结果可能会受到参数选择的影响，因此在实际应用中需要根据具体问题进行适当的调参和验证。