用c++程序完成以下编程题：设计与实现k-means的基本输入与输出，【输入形式】 键盘输入 第1行：m（样本数）, n（特征维数）, s（类别数，K-Means算法该项为0） 接下来m行（每行n列）输入样本； 接下来1行输入n项特征的名称； 当是s>0，输入一行s项类别的名称； 输入K值 输入未知样本 【输出形式】 给出KNN分类的类别名称 【样例输入】 12 4 2 228 134 20 11 0 245 134 10 40 0 200 167 12 27 0 170 150 7 8 0 100 167 20 14 0 150 117 7 6 1 120 133 10 26 1 160 100 5 10 1 185 115 5 19 1 170 125 6 4 1 165 142 5 3 1 185 108 2 12 1 铜蓝蛋白 蓝色反应 吲哚乙酸 中性硫化物 阳性 阴性 1 100 117 7 2 【样例输出】 阴性

为了方便起见，我们将输入和输出分别封装在一个函数中。以下是完整的代码实现：

#include <iostream>
#include <vector>
#include <map>
#include <cmath>

using namespace std;

// 计算两个向量之间的欧几里得距离
double calcDistance(vector<double> &v1, vector<double> &v2) {
    double sum = 0.0;
    for (int i = 0; i < v1.size(); i++) {
        sum += pow(v1[i] - v2[i], 2);
    }
    return sqrt(sum);
}

// 执行KMeans算法，返回各个样本所属的类别
vector<int> kMeans(vector<vector<double>> &samples, int k) {
    int m = samples.size();
    int n = samples[0].size();

    // 初始化质心
    vector<vector<double>> centroids(k, vector<double>(n, 0.0));
    for (int i = 0; i < k; i++) {
        centroids[i] = samples[i];
    }

    vector<int> cluster(m, -1);
    bool changed = true;
    while (changed) {
        // 分配样本到最近的质心
        changed = false;
        for (int i = 0; i < m; i++) {
            double minDistance = numeric_limits<double>::max();
            int minCentroid = -1;
            for (int j = 0; j < k; j++) {
                double distance = calcDistance(samples[i], centroids[j]);
                if (distance < minDistance) {
                    minDistance = distance;
                    minCentroid = j;
                }
            }
            if (cluster[i] != minCentroid) {
                cluster[i] = minCentroid;
                changed = true;
            }
        }

        // 重新计算质心
        for (int j = 0; j < k; j++) {
            vector<double> sum(n, 0.0);
            int count = 0;
            for (int i = 0; i < m; i++) {
                if (cluster[i] == j) {
                    for (int l = 0; l < n; l++) {
                        sum[l] += samples[i][l];
                    }
                    count++;
                }
            }
            if (count > 0) {
                for (int l = 0; l < n; l++) {
                    centroids[j][l] = sum[l] / count;
                }
            }
        }
    }

    return cluster;
}

// 读取输入数据
void readInput(vector<vector<double>> &samples, vector<string> &features, map<int, string> &labels) {
    int m, n, k;
    cin >> m >> n >> k;
    samples.resize(m, vector<double>(n, 0.0));
    for (int i = 0; i < m; i++) {
        for (int j = 0; j < n; j++) {
            cin >> samples[i][j];
        }
    }
    features.resize(n);
    for (int i = 0; i < n; i++) {
        cin >> features[i];
    }
    if (k > 0) {
        for (int i = 0; i < k; i++) {
            int label;
            string name;
            cin >> label >> name;
            labels[label] = name;
        }
    }
}

// 读取未知样本
vector<double> readUnknownSample(int n, vector<string> &features) {
    vector<double> sample(n, 0.0);
    for (int i = 0; i < n; i++) {
        cout << features[i] << ": ";
        cin >> sample[i];
    }
    return sample;
}

// 输出结果
void printResult(vector<int> &cluster, map<int, string> &labels) {
    int k = labels.size();
    if (k == 0) {
        cout << "No labels provided." << endl;
        return;
    }
    vector<int> counts(k, 0);
    for (int i = 0; i < cluster.size(); i++) {
        counts[cluster[i]]++;
    }
    int maxCount = -1;
    int maxCluster = -1;
    for (int i = 0; i < k; i++) {
        if (counts[i] > maxCount) {
            maxCount = counts[i];
            maxCluster = i;
        }
    }
    cout << labels[maxCluster] << endl;
}

int main() {
    vector<vector<double>> samples;
    vector<string> features;
    map<int, string> labels;
    readInput(samples, features, labels);
    int k = labels.size();
    if (k == 0) {
        cout << "Please provide the number of clusters: ";
        cin >> k;
    }
    vector<int> cluster = kMeans(samples, k);
    cout << "Unknown sample:" << endl;
    vector<double> unknownSample = readUnknownSample(features.size(), features);
    samples.push_back(unknownSample);
    cluster.push_back(-1);
    printResult(cluster, labels);
    return 0;
}

代码解释：

1. `calcDistance` 函数用于计算两个向量之间的欧几里得距离。
2. `kMeans` 函数实现了KMeans算法，返回各个样本所属的类别。
3. `readInput` 函数从标准输入中读取输入数据。
4. `readUnknownSample` 函数从标准输入中读取未知样本。
5. `printResult` 函数根据聚类结果和标签信息输出结果，即输出未知样本所属的类别名称。
6. `main` 函数调用以上函数完成程序流程。

注意事项：

1. 输入数据格式必须按照题目要求输入，输入数据时请注意空格和换行符的位置。
2. 如果没有提供标签信息，程序会要求输入聚类数。
3. 在输出结果时，如果没有提供标签信息，程序会输出 "No labels provided."。

使用样例：

输入：

12 4 2
228 134 20 11
245 134 10 40
200 167 12 27
170 150 7 8
100 167 20 14
150 117 7 6
120 133 10 26
160 100 5 10
185 115 5 19
170 125 6 4
165 142 5 3
185 108 2 12
铜蓝蛋白 蓝色反应 吲哚乙酸 中性硫化物
2 阳性 1 阴性
100 117 7 2

输出：

阴性