写一个kmeans算法

好的，以下是一个简单的KMeans算法的Python代码实现：

import numpy as np
from sklearn.datasets import make_blobs

# 生成模拟数据
X, y = make_blobs(n_samples=100, centers=3, n_features=2, random_state=42)

class KMeans:
    def __init__(self, n_clusters=3, max_iter=100):
        self.n_clusters = n_clusters
        self.max_iter = max_iter
    
    def fit(self, X):
        # 随机初始化质心
        self.centroids = X[np.random.choice(len(X), self.n_clusters, replace=False)]
        
        for i in range(self.max_iter):
            # 计算每个数据点到质心的距离，并将其分配到最近的簇中
            distances = np.sqrt(np.sum((X - self.centroids[:, np.newaxis])**2, axis=2))
            self.labels = np.argmin(distances, axis=0)
            
            # 更新质心位置为所属簇的平均值
            for j in range(self.n_clusters):
                self.centroids[j] = np.mean(X[self.labels == j], axis=0)
    
    def predict(self, X):
        distances = np.sqrt(np.sum((X - self.centroids[:, np.newaxis])**2, axis=2))
        labels = np.argmin(distances, axis=0)
        return labels

这个KMeans类的fit方法接受一个二维的numpy数组作为输入数据X，并进行聚类。predict方法则接受一个新的数据集X，并使用已经训练好的质心来预测每个数据点所属的簇。