如何用python写一个等同于K-means效果的函数

K-means是一种聚类算法，可以用来将数据点分成K个簇。下面是一个用Python实现K-means的函数：

import numpy as np

def k_means(data, k, max_iters=100):
    """
    K-means聚类算法
    :param data: 数据集，每行表示一个样本
    :param k: 聚类簇的个数
    :param max_iters: 最大迭代次数
    :return: 聚类结果和聚类中心
    """
    # 随机初始化聚类中心
    centers = data[np.random.choice(data.shape[0], k, replace=False)]
    for i in range(max_iters):
        # 计算每个样本到聚类中心的距离
        distances = np.linalg.norm(data[:, np.newaxis, :] - centers, axis=-1)
        # 确定每个样本属于哪个簇
        labels = np.argmin(distances, axis=-1)
        # 更新聚类中心
        for j in range(k):
            centers[j] = np.mean(data[labels == j], axis=0)
    return labels, centers

这个函数接受一个数据集`data`，一个聚类簇的个数`k`，和一个最大迭代次数`max_iters`。它使用随机初始化的聚类中心，然后迭代计算每个样本到聚类中心的距离，并将每个样本归类到最近的聚类中心所在的簇中。接着更新聚类中心为簇内所有样本的平均值，重复这个过程直到达到最大迭代次数或收敛。最后返回聚类结果和聚类中心。