python写一个进阶版k-means算法代码

好的，我可以回答这个问题。下面是一个Python进阶版的k-means算法代码，你可以参考：

import numpy as np
import matplotlib.pyplot as plt

class KMeans():
    """
    KMeans聚类算法
    """

    def __init__(self, k=3, max_iter=100, tol=1e-4):
        self.k = k  # 聚类的数目
        self.max_iter = max_iter  # 最大迭代次数
        self.tol = tol  # 容差

    def fit(self, X):
        # 数据预处理
        X = np.array(X)
        m, n = X.shape

        # 初始化聚类中心
        centroids = X[np.random.choice(range(m), self.k, replace=False)]

        # 执行KMeans聚类算法
        for i in range(self.max_iter):
            # 计算每个样本距离各个聚类中心的距离
            distances = np.linalg.norm(X[:, np.newaxis, :] - centroids, axis=2)

            # 找到每个样本所属的聚类
            labels = np.argmin(distances, axis=1)

            # 计算新的聚类中心
            new_centroids = np.array([X[labels == j].mean(axis=0) for j in range(self.k)])

            # 判断是否需要停止聚类循环
            if np.linalg.norm(new_centroids - centroids) < self.tol:
                break

            # 更新聚类中心
            centroids = new_centroids

        # 返回聚类结果
        return labels

if __name__ == '__main__':
    # 生成数据并进行聚类
    X = np.concatenate([np.random.randn(100, 2) * 0.5 + [0, 5],
                        np.random.randn(100, 2) * 0.5 + [5, 0],
                        np.random.randn(100, 2) * 0.5 + [5, 5]])
    kmeans = KMeans(k=3)
    labels = kmeans.fit(X)

    # 可视化聚类结果
    colors = ['r', 'g', 'b']
    for i in range(kmeans.k):
        plt.scatter(X[labels == i][:, 0], X[labels == i][:, 1], c=colors[i])
    plt.show()

这个代码实现了一个KMeans聚类算法，能够根据输入的数据进行聚类，并将聚类结果可视化出来。如果你有任何疑问可以继续问我哦！