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

以下是一个用近邻传播算法进行聚类的Python代码示例：

import numpy as np
import matplotlib.pyplot as plt

def load_data(file_path):
    data = np.loadtxt(file_path, delimiter=",")
    return data

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum(np.square(x1 - x2)))

def compute_similarity_matrix(data, sigma):
    n = data.shape[0]
    S = np.zeros((n, n))
    for i in range(n):
        for j in range(n):
            if i != j:
                S[i][j] = np.exp(- euclidean_distance(data[i], data[j]) / (2 * sigma * sigma))
    return S

def normalize_similarity_matrix(S):
    n = S.shape[0]
    for i in range(n):
        S[i] /= max(S[i])
    return S

def perform_cluster(S, alpha):
    n = S.shape[0]
    A = S.copy()
    R = np.zeros((n, n))

    for i in range(1000): # 迭代次数
        old_R = R.copy()
        for j in range(n):
            idx = np.argsort(-A[j]) # 从大到小排序
            for k in idx[1:alpha + 1]: # 取前 alpha 个最大值
                R[j][k] = A[j][k]
                R[k][j] = A[k][j]
            
            # 每次更新后，R 和 old_R 的差距小于 10e-6 则停止迭代
            if i > 0 and np.sum(np.abs(R - old_R)) < 10e-6:
                return R

        for j in range(n):
            Ri = np.sum(R[j])
            for k in range(n):
                if j != k:
                    A[j][k] = A[j][k] - R[j][k] * (1.0 / (Ri + 1))
                    A[j][k] = max(A[j][k], 0)
        
    return R

def plot_clusters(data, R):
    n = R.shape[0]
    cluster_assignments = np.argmax(R, axis=1)
    colors = ['r', 'g', 'b', 'c', 'm', 'y', 'k']
    for i in range(n):
        plt.scatter(data[i, 0], data[i, 1], color=colors[cluster_assignments[i] % len(colors)])
    plt.show()

# 加载数据
data = load_data("data.csv")
n = data.shape[0]

# 计算相似度矩阵
sigma = 0.5
S = compute_similarity_matrix(data, sigma)
S = normalize_similarity_matrix(S)

# 进行聚类
alpha = 10 # 选择前 alpha 个相似节点
R = perform_cluster(S, alpha)

# 可视化聚类结果
plot_clusters(data, R)

其中，`load_data` 函数用来加载数据点，`euclidean_distance` 函数用来计算两个数据点之间的欧几里得距离，`compute_similarity_matrix` 函数用来计算相似度矩阵，`normalize_similarity_matrix` 函数用来对相似度矩阵进行归一化，`perform_cluster` 函数用来执行聚类算法，`plot_clusters` 函数用来可视化聚类结果。

在 `perform_cluster` 函数中，先对相似度矩阵进行了一些初始化，然后对其进行迭代，直到 R 矩阵稳定。最终得到的 R 矩阵表示每个数据点被分到哪个簇中，调用 `plot_clusters` 函数可视化聚类结果。