不使用sklearn.cluster.KMeans，自己编程实现k均值算法

好的，下面是一个简单的 Python 实现 k 均值算法的代码：

import numpy as np

class KMeans:
    def __init__(self, n_clusters=8, max_iter=300):
        self.n_clusters = n_clusters
        self.max_iter = max_iter

    def fit(self, X):
        # 初始化聚类中心
        self.centroids = X[np.random.choice(X.shape[0], self.n_clusters, replace=False)]
        # 开始迭代
        for i in range(self.max_iter):
            # 分配样本到聚类中心
            clusters = [[] for _ in range(self.n_clusters)]
            for x in X:
                distances = [np.linalg.norm(x - c) for c in self.centroids]
                cluster_idx = np.argmin(distances)
                clusters[cluster_idx].append(x)
            # 更新聚类中心
            prev_centroids = self.centroids
            self.centroids = np.array([np.mean(cluster, axis=0) for cluster in clusters if cluster])
            # 如果聚类中心没有变化，则退出循环
            if np.allclose(self.centroids, prev_centroids):
                break

    def predict(self, X):
        distances = np.array([np.linalg.norm(X - c, axis=1) for c in self.centroids])
        return np.argmin(distances, axis=0)

这段代码实现了 KMeans 类，通过构造函数可以设置聚类数和最大迭代次数，fit 方法用于训练模型，predict 方法用于预测样本所属的聚类。

具体实现中，首先在样本中随机选择 k 个点作为聚类中心，然后进行迭代。每次迭代，首先将样本分配到最近的聚类中心所在的簇中，然后更新聚类中心，直到聚类中心不再变化或达到最大迭代次数。最后，predict 方法根据已经训练好的聚类中心，预测样本所属的聚类。