帮我写一个基于python语言的Kmeans聚类

以下是基于Python语言的Kmeans聚类的代码示例：

import numpy as np
import random

class KMeans:
    def __init__(self, k, max_iterations=100):
        self.k = k
        self.max_iterations = max_iterations

    def fit(self, X):
        centroids = self._init_centroids(X)
        for i in range(self.max_iterations):
            clusters = self._create_clusters(X, centroids)
            new_centroids = self._calculate_centroids(clusters)
            if np.allclose(centroids, new_centroids):
                break
            centroids = new_centroids
        return centroids, clusters

    def predict(self, X, centroids):
        clusters = self._create_clusters(X, centroids)
        return clusters

    def _init_centroids(self, X):
        n_samples = X.shape[0]
        idx = np.random.choice(n_samples, self.k, replace=False)
        centroids = X[idx, :]
        return centroids

    def _create_clusters(self, X, centroids):
        clusters = [[] for _ in range(self.k)]
        for idx, sample in enumerate(X):
            distances = np.linalg.norm(sample - centroids, axis=1)
            closest_centroid = np.argmin(distances)
            clusters[closest_centroid].append(idx)
        return clusters

    def _calculate_centroids(self, clusters):
        centroids = []
        for cluster in clusters:
            cluster_mean = np.mean(cluster, axis=0)
            centroids.append(cluster_mean)
        return np.array(centroids)

# Example usage:
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
kmeans = KMeans(k=2)
centroids, clusters = kmeans.fit(X)
print("Centroids:", centroids)
print("Clusters:", clusters)

在这个示例中，我们首先定义了一个`KMeans`类，该类有`__init__`、`fit`和`predict`方法。`__init__`方法初始化模型的超参数，`fit`方法用于训练模型，`predict`方法用于预测新的数据点。

在`fit`方法中，我们首先使用`_init_centroids`方法初始化k个聚类中心，然后在循环中进行以下操作：

1. 使用`_create_clusters`方法将每个数据点分配到最近的聚类中心。
2. 使用`_calculate_centroids`方法重新计算每个聚类的中心。
3. 如果新计算出的聚类中心和旧的聚类中心非常接近，则退出循环。

在`_create_clusters`方法中，我们计算每个数据点到每个聚类中心的距离，并将每个数据点分配到距离最近的聚类中心。

在`_calculate_centroids`方法中，我们计算每个聚类中心的新位置，即该聚类中所有数据点的平均值。

最后，我们使用`KMeans`类对示例数据进行聚类，并输出聚类中心和每个数据点所属的聚类。