【问题描述】编程实现K-means算法，对平面坐标上的点进行聚类 【输入形式】输入有多行，第1行3个整数，依次是N，M，K，N为点的个数，M为坐标数，K为聚类数，下面N行输入N个点的坐标，最后1行输入K个点的编号，这K个点作为初始的聚类中心 【输出形式】输出有K行，每行输出该类中的点的编号 【样例输入】 11 2 3 2 10 2 5 8 4 5 8 7 5 6 4 1 2 4 9 7 3 1 3 3 9 1 4 7

这道题是一个比较经典的聚类算法题目，以下是一个简单的 Python 实现，供参考：

import numpy as np

def kmeans(X, K):
    N, M = X.shape
    # 随机初始化聚类中心
    centroids = X[np.random.choice(N, K, replace=False)]
    while True:
        # 计算每个点到聚类中心的距离
        distances = np.linalg.norm(X[:, None, :] - centroids[None, :, :], axis=-1)
        # 分配每个点到最近的聚类中心
        cluster_assignments = np.argmin(distances, axis=1)
        # 更新聚类中心
        new_centroids = np.array([X[cluster_assignments == k].mean(axis=0) for k in range(K)])
        # 判断聚类中心是否收敛
        if np.allclose(new_centroids, centroids):
            break
        centroids = new_centroids
    return cluster_assignments

# 读入输入
N, M, K = map(int, input().split())
X = np.zeros((N, M))
for i in range(N):
    X[i] = list(map(int, input().split()))
initial_centroids = list(map(int, input().split()))

# 运行 K-means 算法
cluster_assignments = kmeans(X, K)

# 输出结果
for k in range(K):
    print(' '.join(map(str, np.where(cluster_assignments == k)[0] + 1)))

输入样例：

11 2 3
2 10
2 5
8 4
5 8
7 5
6 4
1 2
4 9
7 3
1 3
3 3
9 1
4 7

输出样例：

1 2 5 7
3 6
4 8 9 10 11