以下是一个使用K-means算法进行聚类的示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 创建数据集
X = np.array([
    [1, 2],
    [1, 4],
    [1, 0],
    [4, 2],
    [4, 4],
    [4, 0]
])

# 创建KMeans对象并指定聚类数目
kmeans = KMeans(n_clusters=2)

# 进行聚类
kmeans.fit(X)

# 获取聚类结果
labels = kmeans.labels_
print(labels)

在这个例子中，我们使用K-means算法将数据集X中的数据分成两个簇。算法根据数据之间的距离进行聚类，但不需要明确指定距离度量函数。最后，我们打印出每个样本的标签，这些标签表示它所属的簇。

请注意，K-means算法是一种确定性算法，因此对于给定的数据集和初始中心点，结果会是唯一的。如果你需要不确定性距离度量的聚类算法，你可以尝试使用基于概率模型的算法，如高斯混合模型聚类（GMM）。

以下是一个使用GMM进行聚类的示例代码：

import numpy as np
from sklearn.mixture import GaussianMixture

# 创建数据集
X = np.array([
    [1, 2],
    [1, 4],
    [1, 0],
    [4, 2],
    [4, 4],
    [4, 0]
])

# 创建GaussianMixture对象并指定聚类数目
gmm = GaussianMixture(n_components=2)

# 进行聚类
gmm.fit(X)

# 获取聚类结果
labels = gmm.predict(X)
print(labels)

在这个例子中，我们使用GMM算法将数据集X中的数据分成两个簇。GMM算法基于概率模型，使用不确定性的距离度量进行聚类。最后，我们打印出每个样本的标签，这些标签表示它所属的簇。