尝试自己编写KMeans函数代替调用sklearn库中Kmeans方法实现该文本聚类

K-Means是一种常用的无监督机器学习算法，用于数据分组。下面是简化的K-Means算法的基本步骤，你可以用Python代码来实现：

import numpy as np

def initialize_clusters(data, k):
    # 随机选择k个样本作为初始聚类中心
    centers = data[np.random.choice(range(len(data)), size=k, replace=False), :]
    return centers

def assign_data_to_clusters(data, centers):
    # 计算每个样本到每个中心的距离，归一化如果有必要
    distances = np.linalg.norm(data[:, np.newaxis] - centers, axis=2)
    # 分配每个样本到最近的中心所属的簇
    assignments = np.argmin(distances, axis=1)
    return assignments

def update_centers(data, assignments, k):
    # 根据分配的样本更新簇中心
    new_centers = []
    for i in range(k):
        cluster_points = data[assignments == i]
        if len(cluster_points) > 0:
            new_centers.append(np.mean(cluster_points, axis=0))
        else:
            # 如果簇为空，则随机选择一个新的样本作为新的中心
            new_centers.append(data[np.random.choice(range(len(data))), :])
    return new_centers

def kmeans_clustering(data, k, max_iterations=100):
    # 主循环
    centers = initialize_clusters(data, k)
    for _ in range(max_iterations):
        assignments = assign_data_to_clusters(data, centers)
        new_centers = update_centers(data, assignments, k)
        # 判断是否收敛，若新旧中心点相同则退出循环
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return centers, assignments

# 示例用法
data = ...  # 你的数据矩阵
k = ...  # 聚类数
clusters, assignments = kmeans_clustering(data, k)

这个版本的K-Means实现了初始化、分配和更新三个核心步骤。注意实际应用中可能需要添加更多细节，比如处理缺失值、异常值，以及优化的中心点更新方法等。