给出简单的实现K-Means聚类的python代码

以下是一个简单的K-Means聚类的Python代码实现：

import numpy as np

def kmeans(data, k, max_iter=100):
    # 随机初始化聚类中心
    centers = data[np.random.choice(len(data), k, replace=False)]
    for i in range(max_iter):
        # 计算每个样本到每个聚类中心的距离
        distances = np.sqrt(((data - centers[:, np.newaxis])**2).sum(axis=2))
        # 将每个样本归为距离最近的聚类
        labels = distances.argmin(axis=0)
        # 更新聚类中心为每个聚类中所有样本的平均值
        new_centers = np.array([data[labels == j].mean(axis=0) for j in range(k)])
        # 如果聚类中心不再变化，则停止迭代
        if np.allclose(centers, new_centers):
            break
        centers = new_centers
    return labels, centers

其中，`data`为输入数据，每行为一个样本，`k`为聚类数目，`max_iter`为最大迭代次数。函数返回每个样本所属的聚类标签和最终的聚类中心。