用python写一个kmeans程序

好的，下面是一个使用Python实现K均值聚类算法的示例程序：

import numpy as np
import matplotlib.pyplot as plt

def kmeans(X, K, max_iters):
    """
    K均值聚类算法
    X: 输入数据矩阵，每一行表示一个样本
    K: 簇的个数
    max_iters: 最大迭代次数
    """
    # 随机初始化质心
    centroids = X[np.random.choice(X.shape[0], K, replace=False), :]
    
    for i in range(max_iters):
        # 计算每个样本到质心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        
        # 分配样本到最近的质心所在的簇中
        labels = np.argmin(distances, axis=0)
        
        # 更新质心
        for j in range(K):
            centroids[j] = X[labels == j, :].mean(axis=0)
    
    return labels, centroids

# 生成数据
np.random.seed(1)
X1 = np.random.randn(50, 2) + np.array([5, 5])
X2 = np.random.randn(50, 2) + np.array([-5, -5])
X3 = np.random.randn(50, 2) + np.array([5, -5])
X = np.vstack([X1, X2, X3])

# 调用K均值聚类算法
K = 3
max_iters = 100
labels, centroids = kmeans(X, K, max_iters)

# 绘制结果
colors = ['r', 'g', 'b']
for i in range(K):
    plt.scatter(X[labels == i, 0], X[labels == i, 1], c=colors[i], label='Cluster {}'.format(i+1))
plt.scatter(centroids[:, 0], centroids[:, 1], marker='x', s=200, linewidths=3, c='k', label='Centroids')
plt.legend()
plt.show()

该程序使用了numpy和matplotlib库。首先，程序随机初始化质心，并对数据进行最大迭代次数次迭代，计算每个样本到质心的距离，将每个样本分配到最近的质心所在的簇中，然后更新质心。最后，程序绘制聚类结果，其中不同簇的样本用不同颜色表示，质心用黑色叉号标注。