Python是一種流行的編程語言，被廣泛應用于數據科學和機器學習領域。概率聚類是一種基于概率模型的聚類方法，可以用于數據挖掘、圖像分割等任務。Python提供了許多實用工具，如NumPy、SciPy和scikit-learn，可以輕松實現概率聚類算法。

import numpy as np
from scipy.cluster.hierarchy import linkage
from sklearn.cluster import AgglomerativeClustering
# 生成一組數據
np.random.seed(0)
X = np.random.randn(10, 2)
# 計算數據之間的距離
Z = linkage(X, method='average', metric='euclidean')
# 進行凝聚層次聚類
model = AgglomerativeClustering(n_clusters=3, linkage='average')
model.fit(X)
# 輸出聚類結果
print(model.labels_)

上述示例代碼中，我們首先使用NumPy生成一組隨機數據，然后使用Scipy的linkage函數計算數據之間的距離。接著，我們使用scikit-learn的AgglomerativeClustering類進行凝聚層次聚類。這個類可以使用不同的鏈接方法（average、complete、ward等）和距離度量（歐幾里得距離、曼哈頓距離等），同時也支持設置聚類數目。最后，我們輸出聚類結果。

除了凝聚層次聚類，Python還支持其他概率聚類方法，如高斯混合模型（GMM）和變分貝葉斯聚類。這些方法可以更好地適應數據的分布特性，并且具有更好的魯棒性和靈活性。因此，在實際應用中，我們可以根據數據的特點選擇最合適的概率聚類方法。