K-means聚类算法的代码实现

好的，以下是K-means聚类算法的Python代码实现，供您参考：

import numpy as np
import random

def k_means(X, k, max_iterations=100):
    """
    :param X: 二维数据集，每一行表示一个样本
    :param k: 聚类的数量
    :param max_iterations: 最大迭代次数
    :return: 聚类结果和聚类中心
    """
    # 随机选取k个样本作为初始聚类中心
    centroids = X[random.sample(range(X.shape[0]), k)]
    # 用来存储每个样本所属的聚类的索引
    cluster_assignment = np.zeros(X.shape[0], dtype=int)
    for i in range(max_iterations):
        # 计算每个样本到聚类中心的距离，将样本归到距离最近的聚类中心所在的类别
        for j in range(X.shape[0]):
            distances = np.linalg.norm(X[j] - centroids, axis=1)
            cluster_assignment[j] = np.argmin(distances)
        # 更新聚类中心
        for j in range(k):
            centroids[j] = np.mean(X[cluster_assignment == j], axis=0)
    return cluster_assignment, centroids

这段代码实现了经典的K-means聚类算法，输入参数包括数据集X、聚类的数量k和最大迭代次数max_iterations。输出结果包括每个样本所属的聚类的索引和聚类中心。