python不使用库实现kmeans聚类算法

K-Means聚类算法是一种基于划分的聚类算法，可以将数据分成K个不同的簇。以下是一个不使用库实现K-Means聚类算法的Python示例代码：

import numpy as np

# 生成数据
data = np.random.rand(100, 2)

# 超参数
k = 3
max_iter = 100

# 随机初始化聚类中心
centers = np.random.rand(k, 2)

# 迭代更新聚类中心
for i in range(max_iter):
    # 计算每个数据点到各个聚类中心的距离
    distances = np.zeros((data.shape[0], k))
    for j in range(k):
        distances[:, j] = np.linalg.norm(data - centers[j], axis=1)

    # 分配每个数据点到距离最近的聚类中心所在的簇
    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)

# 输出最终的聚类结果
print(labels)

上述代码中，我们首先生成100个随机数据点，然后随机初始化3个聚类中心。接着，我们迭代地计算每个数据点到各个聚类中心的距离，并将每个数据点分配到距离最近的聚类中心所在的簇中。最后，我们更新聚类中心并输出最终的聚类结果。

需要注意的是，上述代码实现的K-Means聚类算法并不是最优的，可能会受到初始聚类中心的影响，容易陷入局部最优解。在实际应用中，通常采用多次运行K-Means聚类算法并选择最优的聚类结果。