用python实现kmeans聚类算法，需要参考已有的标签信息

K-means聚类算法是一种无监督学习算法，因此不需要参考已有的标签信息。该算法将数据分为k个簇，每个簇包含数据点，使得每个数据点与其所属簇的中心点的距离最小化。

下面是一个简单的Python实现：

import numpy as np

def kmeans(data, k):
    # 随机选择k个点作为初始中心点
    centers = data[np.random.choice(len(data), k, replace=False)]
    # 初始化每个簇的标签
    labels = np.zeros(len(data))
    # 迭代直到中心点不再变化
    while True:
        # 计算每个数据点到中心点的距离
        distances = np.sqrt(np.sum((data - centers[:, np.newaxis])**2, axis=2))
        # 分配每个数据点到最近的中心点所属的簇
        new_labels = np.argmin(distances, axis=0)
        # 如果簇的标签不再变化，则停止迭代
        if np.array_equal(new_labels, labels):
            break
        labels = new_labels
        # 更新中心点为每个簇的平均值
        for i in range(k):
            centers[i] = np.mean(data[labels == i], axis=0)
    return labels

该函数的输入参数为数据集`data`和簇数`k`，返回每个数据点所属的簇的标签。其中，`centers`为中心点的坐标，`labels`为每个数据点所属的簇的标签，`distances`为每个数据点到中心点的距离。