data是一个包含31*3个数据的数据数组，可以运行这段程序码

如果 `data` 是一个 31 行、3 列的数据数组，即是一个二维数组，那么这个 `fit` 方法可以正常处理这样的数据来进行 K-Means 聚类。在这个例子中，K-Means 将尝试将这 31 个样本划分为 3 个簇，每个簇由相似特征的样本组成，通过不断迭代调整聚类中心直到达到稳定状态。

以下是这个 `fit` 方法对 `data` 数据执行的主要操作流程：
1. 初始化三个聚类中心，每个为中心在 `data` 中随机选取的一个样本。
2. 对于 `data` 中的每个点，计算它与每个聚类中心的距离，将其分配给最近的聚类。
3. 计算每个聚类内所有点的均值，作为新的聚类中心。
4. 重复步骤 2 和 3 直到聚类中心不再变化，这意味着聚类已经收敛。

运行此代码会输出聚类结果，包括聚类中心（centroids）和每个样本的最终所属簇标签（labels_）。如果你需要演示如何运行这段代码，你可以按照以下步骤操作：

1. 确保你已经导入了所需的库（比如 numpy）。
2. 创建一个 31 行 3 列的示例数据数组。
3. 实例化 `SimpleKMeans` 类并调用 `fit` 方法，传入你的数据。
4. 打印出 `centroids` 和 `labels_` 属性查看聚类结果。

import numpy as np

# 示例数据
data = np.random.rand(31, 3)  # 生成一个31x3的随机数据

# 创建并训练 K-Means
fit_simple_kmeans = SimpleKMeans(n_clusters=3)
fit_simple_kmeans.fit(data)

# 输出聚类中心和标签
centroids = fit_simple_kmeans.centroids
labels = fit_simple_kmeans.labels_

# 显示结果
print("Centroids:", centroids)
print("Labels:", labels)