优化代码并添加注释

好的，我会尝试优化代码并添加注释。

以下是一个例子：

# 导入所需的库
import numpy as np

# 定义函数，用于计算两个向量之间的欧几里得距离
def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

# 定义 K-Means 类
class KMeans:
    def __init__(self, K=3, max_iters=100, plot_steps=False):
        self.K = K
        self.max_iters = max_iters
        self.plot_steps = plot_steps
        
        # 初始化中心点
        self.centroids = []

    def initialize_centroids(self, X):
        # 随机选择 K 个样本作为中心点
        centroids = X.copy()
        np.random.shuffle(centroids)
        return centroids[:self.K]

    def closest_centroid(self, sample, centroids):
        # 计算样本点到每个中心点的距离，并返回距离最近的中心点的索引
        distances = [euclidean_distance(sample, point) for point in centroids]
        closest_index = np.argmin(distances)
        return closest_index

    def create_clusters(self, X, centroids):
        # 分配每个样本到最近的中心点，并创建一个簇
        clusters = [[] for _ in range(self.K)]
        for sample_index, sample in enumerate(X):
            centroid_index = self.closest_centroid(sample, centroids)
            clusters[centroid_index].append(sample_index)
        return clusters

    def calculate_centroids(self, X, clusters):
        # 计算每个簇的中心点
        centroids = np.zeros((self.K, X.shape[1]))
        for cluster_index, cluster in enumerate(clusters):
            cluster_mean = np.mean(X[cluster], axis=0)
            centroids[cluster_index] = cluster_mean
        return centroids

    def predict(self, X):
        # 运行 K-Means 算法，返回每个样本所属的簇的索引
        self.centroids = self.initialize_centroids(X)
        for i in range(self.max_iters):
            clusters = self.create_clusters(X, self.centroids)
            if self.plot_steps:
                self.plot(X, clusters, self.centroids)
            old_centroids = self.centroids
            self.centroids = self.calculate_centroids(X, clusters)
            if np.allclose(self.centroids, old_centroids):
                break
        # 返回每个样本所属的簇的索引
        return self.get_cluster_labels(clusters, X)

    def get_cluster_labels(self, clusters, X):
        # 返回每个样本所属的簇的索引
        labels = np.zeros(X.shape[0])
        for cluster_index, cluster in enumerate(clusters):
            for sample_index in cluster:
                labels[sample_index] = cluster_index
        return labels

在上面的代码中，我添加了注释来解释每个函数的作用，以及每个函数中使用的变量。此外，我还将一些常见的计算封装成函数，以提高代码的可读性和可维护性。