用python写一个聚类算法

好的，我可以为您介绍一个基于Python的聚类算法：K-Means聚类算法。

K-Means算法是一种基于距离的聚类算法，它将样本数据分成K个互不相交的簇，使簇内的样本相似度较高，簇间的样本相似度较低。下面是一个简单的K-Means算法的Python实现：

import numpy as np

def kmeans(X, k, max_iter=100):
    # X: 样本数据，k: 簇的数量，max_iter: 最大迭代次数
    n, m = X.shape  # n: 样本数量，m: 样本维度
    centroids = X[np.random.choice(n, k, replace=False)]  # 初始化聚类中心
    for i in range(max_iter):
        # 计算每个样本到每个聚类中心的距离
        dists = np.linalg.norm(X[:, np.newaxis, :] - centroids, axis=2)
        # 分配样本到距离最近的聚类中心
        labels = np.argmin(dists, axis=1)
        # 更新聚类中心
        for j in range(k):
            centroids[j] = np.mean(X[labels == j], axis=0)
    return labels, centroids

这里使用了numpy库来进行向量化计算，加快了算法的运行速度。使用方法如下：

X = np.random.randn(100, 2)  # 随机生成100个2维样本数据
labels, centroids = kmeans(X, 3)  # 聚类成3个簇

其中，labels为每个样本所属的簇的标签，centroids为聚类中心的坐标。您可以根据需要进行修改和优化。