python编写k-均值优化算法

k-均值优化算法是一种常用的无监督学习算法，用于将一组数据点划分为k个不同的类别。下面是一个使用Python编写k-均值优化算法的示例代码：

import numpy as np

def k_means(X, k, max_iters=100):
    # 随机选择k个中心点
    centers = X[np.random.choice(range(len(X)), k, replace=False)]

    for _ in range(max_iters):
        # 计算每个数据点到各个中心点的距离
        distances = np.linalg.norm(X[:, np.newaxis] - centers, axis=-1)

        # 将数据点划分到距离最近的中心点所对应的类别
        labels = np.argmin(distances, axis=-1)

        # 更新中心点的位置
        new_centers = np.array([X[labels == i].mean(axis=0) for i in range(k)])

        # 如果中心点不再变化，停止迭代
        if np.all(centers == new_centers):
            break

        centers = new_centers

    return labels, centers

在上述代码中，我们首先随机选择k个中心点，然后进行迭代优化，直到中心点不再变化或达到最大迭代次数。在每次迭代中，我们计算每个数据点到各个中心点的距离，并将数据点划分到距离最近的中心点所对应的类别。然后，我们更新中心点的位置为每个类别中数据点的平均值。最终，返回每个数据点所属的类别和最终的中心点位置。

你可以使用该代码来应用k-均值优化算法，并根据实际需求进行调整和扩展。