kmeans算法代码实现

好的，以下是kmeans算法的Python代码实现：

import numpy as np

def kmeans(data, k, max_iter=100):
    # 随机初始化k个质心
    centroids = data[np.random.choice(len(data), k, replace=False)]

    for i in range(max_iter):
        # 计算每个样本距离质心的距离
        distances = np.sqrt(((data - centroids[:, np.newaxis])**2).sum(axis=2))

        # 将每个样本分配到距离最近的质心
        labels = np.argmin(distances, axis=0)

        # 更新质心为所属类别的均值
        new_centroids = np.array([data[labels == j].mean(axis=0) for j in range(k)])

        # 如果质心不再发生变化，则退出循环
        if np.allclose(new_centroids, centroids):
            break

        centroids = new_centroids

    return centroids, labels

其中，`data`是一个二维NumPy数组，每行代表一个样本，每列代表一个特征；`k`是聚类的数量；`max_iter`是最大迭代次数。该函数会返回最终的质心和每个样本所属的类别。