在已经计算出欧式距离的情况下如何用python实现K-means聚类，请给我代码

K-means聚类是一种无监督学习算法，用于将数据集中的数据分为k个不同的类。在已经计算出欧式距离的情况下，可以使用Python的sklearn库来实现K-means聚类。以下是一个示例代码：

import numpy as np
from sklearn.cluster import KMeans

# 假设存在一个n行m列的矩阵X，其中n表示样本数量，m表示特征数量
# 假设已经计算出每个样本之间的欧式距离，得到一个n*n的距离矩阵D
# 将距离矩阵D作为输入数据进行K-means聚类

# 假设要将数据分为k个不同的类
k = 3

# 初始化K-means模型
kmeans = KMeans(n_clusters=k, random_state=0)

# 训练K-means模型
kmeans.fit(D)

# 获取每个样本所属的类别
labels = kmeans.labels_

# 输出每个类别中心点的坐标
print(kmeans.cluster_centers_)

这段代码首先使用sklearn库的`KMeans`函数初始化K-means模型，然后使用`fit`函数训练模型，并使用`labels_`属性获取每个样本所属的类别。最后，使用`cluster_centers_`属性输出每个类别的中心点坐标。其中，距离矩阵`D`可以使用`numpy`库的`array`函数转换为二维数组。