编写一个Python函数，实现K-means算法，对给定的数据集进行聚类

K-means算法是一种常用的聚类分析方法，其目的是将n个数据点划分为k个簇，使得每个点都属于离它最近的簇中心（即该簇中所有点的均值）。下面是一个简单实现K-means算法的Python函数示例：

import numpy as np

def k_means(data, k, max_iters=100):
    # 初始化随机的k个簇中心
    centroids = data[np.random.choice(data.shape[0], k, replace=False)]

    for _ in range(max_iters):
        # 计算每个点到各个簇中心的距离，并分配给最近的簇
        distances = np.sqrt(((data - centroids[:, np.newaxis])**2).sum(axis=2))
        points_labels = np.argmin(distances, axis=0)

        # 计算新的簇中心
        new_centroids = np.array([data[points_labels == i].mean(axis=0) for i in range(k)])

        # 检查簇中心是否变化，如果不再变化则停止迭代
        if np.all(centroids == new_centroids):
            break
        centroids = new_centroids

    return points_labels

# 使用示例
# 假设有一个数据集data，我们想要将其聚类为3个簇
# data = np.array([[1.0, 2.0], [1.5, 1.8], [5.0, 8.0], [8.0, 8.0], [1.0, 0.6], [9.0, 11.0]])
# cluster_labels = k_means(data, k=3)
# print(cluster_labels)

在使用这段代码之前，请确保你的数据集是以NumPy数组的形式准备好，并且已经导入了NumPy库。