请用python写一个k-means聚类算法代码，并输出不同簇的数据样本

好的，以下是一个简单的k-means聚类算法的Python代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

# 生成数据集
X, y = make_blobs(n_samples=200, centers=4, random_state=42)

# 定义k-means函数
def k_means(X, k, max_iter=100):
    # 随机初始化k个簇心
    centroids = X[np.random.choice(len(X), size=k, replace=False)]
    for _ in range(max_iter):
        # 计算每个点到各个簇心的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))
        # 找到每个点所属的簇
        labels = np.argmin(distances, axis=0)
        # 更新簇心的位置
        for i in range(k):
            centroids[i] = X[labels == i].mean(axis=0)
    return labels

# 调用k-means函数进行聚类
labels = k_means(X, k=4)

# 绘制不同簇的数据样本
plt.scatter(X[labels == 0][:, 0], X[labels == 0][:, 1], color='red')
plt.scatter(X[labels == 1][:, 0], X[labels == 1][:, 1], color='blue')
plt.scatter(X[labels == 2][:, 0], X[labels == 2][:, 1], color='green')
plt.scatter(X[labels == 3][:, 0], X[labels == 3][:, 1], color='orange')
plt.show()

在这个代码中，我们首先使用`make_blobs`函数生成了一个包含200个样本的数据集，其中有4个簇。然后定义了一个`k_means`函数，输入数据和簇数k，返回每个样本所属的簇的标签。在`k_means`函数中，我们首先随机初始化了k个簇心，然后进行了多轮迭代，每轮迭代都计算每个点到各个簇心的距离，找到每个点所属的簇，然后更新簇心的位置。最后，我们调用`k_means`函数进行聚类，并使用`plt.scatter`函数绘制了不同簇的数据样本。