写一个完整的代码介绍一下k-means聚类算法

当然，我很乐意介绍一下k-means聚类算法。

k-means聚类算法是一种基于距离的无监督机器学习算法，常用于将数据集中的数据点划分为多个类别。以下是一个完整的k-means聚类算法代码实现：

import numpy as np

# 定义k-means聚类算法函数
def kmeans(X, k):
    m, n = X.shape

    # 随机初始化聚类中心
    centroids = np.random.rand(k, n)

    # 初始化聚类结果矩阵和误差
    clusters = np.zeros(m)
    error = float('inf')

    while True:
        # 计算每个样本距离聚类中心的距离
        distances = np.sqrt(np.sum((X - centroids[:, np.newaxis])**2, axis=2))

        # 计算每个样本所属的聚类
        new_clusters = np.argmin(distances, axis=0)

        # 计算误差
        new_error = np.sum(distances[new_clusters, np.arange(m)])

        # 判断是否收敛
        if new_error >= error:
            break

        # 更新聚类结果和聚类中心
        clusters = new_clusters
        error = new_error
        for i in range(k):
            centroids[i] = np.mean(X[clusters == i], axis=0)

    return clusters, centroids

其中，`X`是一个`m x n`的数据矩阵，表示有`m`个样本，每个样本有`n`个特征。`k`表示要划分为`k`个聚类。函数返回一个`m`维向量`clusters`，表示每个样本所属的聚类，以及一个`k x n`的矩阵`centroids`，表示每个聚类的中心。

以上就是k-means聚类算法的完整代码介绍。如果您有其他问题，欢迎继续向我提问！