用python手写k-means(k均值)聚类算法

K均值聚类算法是一种基于距离的聚类方法，它将数据分成 K 个类，每个类对应一个聚类中心。该算法通过不断地迭代来更新聚类中心，直到满足一定的停止条件为止。

下面是手写 K 均值聚类算法的实现步骤：

1. 随机初始化 K 个聚类中心。
2. 对于每个数据点，计算它与各个聚类中心的距离，并将它分配到距离最近的聚类中心所属的类别。
3. 对于每个类别，重新计算其聚类中心，即将该类别中所有数据点的坐标平均值作为新的聚类中心。
4. 重复步骤 2 和 3，直到满足停止条件（例如聚类中心不再变化）。

下面是一个简单的 Python 代码实现：

import numpy as np

def k_means(X, K):
    centers = X[np.random.choice(len(X), K, replace=False)]
    while True:
        # Assign points to the nearest center
        labels = np.argmin(np.linalg.norm(X[:, np.newaxis] - centers, axis=2), axis=1)
        # Update the centers
        new_centers = np.array([X[labels == k].mean(axis=0) for k in range(K)])
        # Check if the centers have converged
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return labels, centers

其中，X 是数据集，K 是要分成的类别数。