K-means聚类不是球形的。

K-means聚类算法对于非球形的数据分布效果不佳，因为它假设数据点分布在一个球形的空间中。然而，我们可以使用一些技巧来解决这个问题。

一种常见的方法是使用一种称为DBSCAN（Density-Based Spatial Clustering of Applications with Noise）的聚类算法。DBSCAN可以有效地处理非球形数据分布，并且不需要预先指定聚类的数量。

下面是使用Python中的scikit-learn库实现DBSCAN聚类算法的示例代码：

from sklearn.cluster import DBSCAN
import numpy as np

# 创建一个非球形数据集
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

# 创建DBSCAN对象
dbscan = DBSCAN(eps=0.3, min_samples=2)

# 进行聚类
labels = dbscan.fit_predict(X)

# 打印每个数据点的聚类标签
print(labels)

在上面的代码中，我们首先创建了一个非球形的数据集X。然后，我们创建了一个DBSCAN对象，并设置eps参数为0.3，表示数据点之间的最大距离。min_samples参数设置为2，表示一个核心点所需的最小邻居数。接下来，我们使用fit_predict方法对数据集进行聚类，并打印每个数据点的聚类标签。

注意，DBSCAN算法会将数据点分为三类：核心点、边界点和噪声点。聚类标签为-1表示噪声点。

希望这个示例代码可以帮助你解决K-means聚类不适用于非球形数据分布的问题。