kmeans算法python代码实现

下面是一个简单的K-Means算法的Python实现：

import numpy as np
import random

def kmeans(data, k, max_iter=100):
    # 随机初始化聚类中心
    centroids = random.sample(list(data), k)
    for i in range(max_iter):
        # 分配数据点到簇
        clusters = [[] for _ in range(k)]
        for point in data:
            closest_centroid = np.argmin([np.linalg.norm(point - c) for c in centroids])
            clusters[closest_centroid].append(point)
        # 更新聚类中心
        new_centroids = [np.mean(cluster, axis=0) for cluster in clusters]
        # 判断是否收敛
        if np.allclose(centroids, new_centroids):
            break
        centroids = new_centroids
    return clusters, centroids

其中，`data`为输入的数据点，类型为Numpy数组；`k`为簇的数量；`max_iter`为最大迭代次数。返回值为聚类结果和最终的聚类中心。

这个实现中，使用了Numpy库中的函数计算欧氏距离和均值，可以大大提高计算效率。在实际应用中，可以根据需要对算法进行优化，如使用并行计算或采用更高效的距离计算方法等。