给出k-means聚类方法的python代码

下面是一个简单的实现 k-means 聚类方法的 Python 代码：

import numpy as np

def k_means(X, k, max_iter=100):
    # 随机初始化聚类中心
    centers = X[np.random.choice(len(X), k, replace=False)]
    
    for i in range(max_iter):
        # 计算每个样本点到聚类中心的距离
        distances = np.sqrt(((X - centers[:, np.newaxis])**2).sum(axis=2))
        
        # 分配每个样本点到最近的聚类中心
        labels = np.argmin(distances, axis=0)
        
        # 更新聚类中心
        new_centers = np.array([X[labels == j].mean(axis=0) for j in range(k)])
        
        # 如果聚类中心不再变化，则停止迭代
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    
    return labels, centers

在这个实现中，我们首先随机初始化 k 个聚类中心，然后迭代地进行以下步骤直到收敛：

1. 计算每个样本点到每个聚类中心的距离
2. 将每个样本点分配到距离最近的聚类中心的类别中
3. 更新每个聚类中心为所属类别中所有样本点的平均值

最后返回每个样本点所属的类别和最终的聚类中心。

这个代码实现非常简单，但是在实际应用中可能需要进行更多的优化和调整，比如对初始聚类中心的选择、对距离计算方法的调整、对收敛判断的条件的调整等等。