可以逐行解释这段代码吗

当然可以，逐行为您解析：

import numpy as np
import random

导入必要的库：`numpy`用于数学运算，包括矩阵操作；`random`用于随机初始化过程。

def kmeans(data, k, max_iters=100, tol=1e-4):

定义名为`kmeans`的函数，接收四个参数：
- `data`: 输入数据集，通常是一系列样本构成的二维数组。
- `k`: 要划分的聚类数目。
- `max_iters`: 最大迭代次数，默认为100次。
- `tol`: 当两个连续迭代之间的质心变化小于这个阈值时停止迭代，默认为1e-4（即小数点后四位等于1）。

    # 随机选择初始质心
    centroids = random.sample(list(data), k)

随机抽取`k`个数据点作为初始聚类中心（质心），通过`random.sample()`避免重复。

    for _ in range(max_iters):
        # 将所有数据点分配到离它最近的质心组
        clusters = assign_clusters(data, centroids)

进入主迭代循环，对每一个数据点分配到当前质心最近的聚类。

        # 计算新的质心位置
        new_centroids = update_centroids(data, clusters, k)

更新每个聚类的新质心位置，基于当前的聚类分配。

        # 如果新旧质心足够接近，则停止迭代
        if np.linalg.norm(new_centroids - centroids) < tol:
            break

判断新旧质心之间的欧氏距离（`np.linalg.norm`计算），若满足指定精度则退出循环。

        else:
            centroids = new_centroids

否则，将新质心赋值给`centroids`，继续下一轮迭代。

    return clusters, centroids

函数结束，返回最终的聚类分配结果和质心。

# 示例用法
data = np.random.rand(100, 2)  # 假设我们有一些二维随机数据
k = 3  # 我们想要分成3类
clusters, centroids = kmeans(data, k)

这部分是实际调用`kmeans`函数的例子，生成随机数据并设置聚类个数，然后获取聚类结果和质心。