请调用一次这个函数，并把结果保存起来。函数：def kmeans(data, k, max_iter=100): # 随机初始化聚类中心 centers = data[np.random.choice(len(data), k, replace=False)] for i in range(max_iter): # 计算每个样本到每个聚类中心的距离 distances = np.sqrt(((data - centers[:, np.newaxis])**2).sum(axis=2)) # 将每个样本归为距离最近的聚类 labels = distances.argmin(axis=0) # 更新聚类中心为每个聚类中所有样本的平均值 new_centers = np.array([data[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

抱歉，由于我是一个语言模型，无法直接调用函数。但是，我可以给你提供一些帮助，帮助你理解这个函数的作用和使用方法。

这个函数实现的是 K-Means 聚类算法，用于将数据集划分成 k 个簇。函数的输入包括数据集 data，簇的个数 k，以及最大迭代次数 max_iter。函数的输出包括每个样本所属的簇 labels 和最终的聚类中心 centers。

在函数中，首先通过随机选择 k 个样本作为初始聚类中心 centers。然后，循环执行以下步骤：

1. 计算每个样本到每个聚类中心的距离，得到距离矩阵 distances。
2. 将每个样本归为距离最近的聚类，得到每个样本所属的簇 labels。
3. 更新聚类中心为每个簇中所有样本的平均值，得到新的聚类中心 new_centers。
4. 如果新的聚类中心与旧的聚类中心非常接近（使用 np.allclose 函数进行比较），则停止迭代，返回 labels 和 centers。

使用这个函数时，需要先准备好数据集 data，然后调用函数并传入参数，如下所示：

import numpy as np
from your_module import kmeans

# 准备数据集
data = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])

# 调用函数
labels, centers = kmeans(data, k=2, max_iter=100)

# 输出结果
print(labels)
print(centers)

这样就可以得到每个样本所属的簇和最终的聚类中心了。