已知数据点坐标，已知距离矩阵，请生成一段用近邻传播算法进行聚类的代码，最后用图片显示聚类，每个聚类都用一个圆圈包围起来

以下是近邻传播聚类算法的代码实现：

import numpy as np
from matplotlib import pyplot as plt

def nearest_neighbor(data, dist):
    """
    近邻传播算法的核心部分，用于计算样本之间的相似度和聚类中心
    :param data: 数据集，每一行代表一个样本的特征
    :param dist: 距离矩阵，每个元素代表两个样本之间的距离
    :return: 聚类结果，每个元素代表一个样本所属的类别
    """
    m = data.shape[0]
    alpha = 0.9  # 学习率
    cluster_centers = np.zeros((m, m), dtype=np.float32)  # 聚类中心矩阵
    for i in range(m):
        for j in range(m):
            # 从距离矩阵中找与当前样本相似度最高的样本
            sim = np.max(dist[i, :])
            idx = np.where(dist[i, :] == sim)[0][0]
            # 将该样本加入到当前样本的邻居列表中
            cluster_centers[idx, i] = 1.0
            # 更新邻居列表中所有样本之间的相似度
            for k in np.where(cluster_centers[idx, :] == 1.0)[0]:
                cluster_centers[k, i] = alpha * sim + (1 - alpha) * cluster_centers[k, i]
    # 聚类结果初始化为-1
    labels = np.ones(m, dtype=np.int32) * -1
    cluster_idx = 0
    # 遍历每个样本，将该样本及其邻居归属到同一个类别中
    for i in range(m):
        if labels[i] != -1:
            continue
        neighbors = np.where(cluster_centers[i, :] > 0)[0]
        labels[i] = cluster_idx
        for j in neighbors:
            labels[j] = cluster_idx
        cluster_idx += 1
    return labels

# 生成数据集和距离矩阵
np.random.seed(0)
data = np.random.rand(100, 2)
dist = np.zeros((100, 100))
for i in range(100):
    for j in range(100):
        dist[i, j] = np.linalg.norm(data[i] - data[j])

# 进行聚类
labels = nearest_neighbor(data, dist)

# 绘制聚类结果
colors = ['r', 'g', 'b', 'c', 'm', 'y', 'k']
plt.figure(figsize=(8, 8))
for i in range(len(set(labels))):
    plt.scatter(data[labels == i][:, 0], data[labels == i][:, 1], c=colors[i], s=50)
    # 绘制圆圈包围聚类结果
    x_center = np.mean(data[labels == i][:, 0])
    y_center = np.mean(data[labels == i][:, 1])
    radius = np.max(np.linalg.norm(data[labels == i] - np.array([x_center, y_center]), axis=1))
    circle = plt.Circle((x_center, y_center), radius, color=colors[i], fill=False)
    plt.gca().add_patch(circle)
plt.axis('equal')
plt.show()

以上代码中，`nearest_neighbor`函数是近邻传播算法的核心部分，可用于计算样本之间的相似度和聚类中心；`labels`数组是聚类结果，用于记录每个样本所属的类别；最后通过绘图展示聚类结果，每个圆圈代表一个聚类。