写一个kmeans聚类的python算法

好的，下面是一个简单的 k-means 聚类算法的 Python 实现：

import numpy as np
import random

def kmeans(data, k):
    # 随机选取k个初始质心
    centroids = np.array(random.sample(list(data), k))
    # 初始化聚类结果和目标函数值
    clusters = np.zeros(len(data))
    cost = 0

    while True:
        # 计算每个样本点到质心的距离
        distances = np.sqrt(((data - centroids[:, np.newaxis])**2).sum(axis=2))
        # 将每个样本点分配到最近的质心所在的聚类中
        new_clusters = np.argmin(distances, axis=0)
        # 如果聚类结果不再变化，退出循环
        if np.array_equal(new_clusters, clusters):
            break
        # 更新聚类结果和目标函数值
        clusters = new_clusters
        cost = distances.min(axis=0).sum()
        # 计算每个聚类的新质心
        for i in range(k):
            centroids[i] = data[clusters == i].mean(axis=0)

    return clusters, cost

其中，`data` 是一个 $n \times d$ 的二维数组，表示 $n$ 个 $d$ 维样本点；`k` 是聚类的个数。该算法返回一个一维数组 `clusters`，表示每个样本点所属的聚类编号；以及一个实数 `cost`，表示聚类结果的目标函数值。