任意生成平面上的100个点，用K-means算法将100个点分为两类。 输出最后的disp数组元素 上传源代码和运行结果截图

对不起，由于这里是文本交互环境，并不能直接生成随机点、应用K-means算法，也无法显示源代码和运行结果截图。但我可以向你解释如何在Python中使用sklearn库进行这个操作：

首先，你需要安装必要的库，如`numpy`和`sklearn`。然后，你可以按照以下步骤进行：

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 生成100个随机点
np.random.seed(0)  # 设置随机种子保证每次结果一致
points = np.random.rand(100, 2)

# 初始化K-means模型，选择两个聚类中心（k=2）
kmeans = KMeans(n_clusters=2)

# 拟合数据
kmeans.fit(points)

# 获取聚类标签
labels = kmeans.labels_

# 获取聚类中心，即disp数组
centroids = kmeans.cluster_centers_

# 可视化结果
plt.scatter(points[:, 0], points[:, 1], c=labels)
plt.scatter(centroids[:, 0], centroids[:, 1], s=300, c='red')  # 红色标记聚类中心
plt.show()

# disp数组就是cluster_centers_，这里包含了每个类别的中心点坐标
disp = centroids

运行这段代码后，你会得到一个二维散点图，其中颜色表示类别，红色圆圈表示聚类中心，disp数组就是`centroids`变量。

请注意，实际运行以上代码需要在支持图形展示的环境中，并且可能会因为随机初始化的原因导致不同的聚类结果。