python实现k-means算法的数据集代码

你可以参考以下代码实现 K-means 算法：

import numpy as np

def k_means(X, K, max_iters):
    centroids = X[np.random.choice(range(len(X)), K)]
    for i in range(max_iters):
        C = []
        for x in X:
            distances = [np.linalg.norm(x - c) for c in centroids]
            cluster = np.argmin(distances)
            C.append(cluster)
        C = np.array(C)
        centroids = [X[C == k].mean(axis=0) for k in range(K)]
    return C, centroids

# 生成随机数据集
X = np.random.random((100, 2))

# 调用 k_means 函数
C, centroids = k_means(X, K=3, max_iters=100)

# 打印聚类结果和聚类中心
print(C)
print(centroids)

这段代码实现了对一个二维数据集的 K-means 聚类。其中，`X` 是数据集，`K` 是聚类数目，`max_iters` 是迭代次数。最后输出的 `C` 是数据集中每个点的聚类 ID，`centroids` 是每个聚类的中心点坐标。

笑话时间：为什么大象不会用电脑？因为要打字的时候总是把鼻子放在键盘上。