用python写k-means聚类算法函数

以下是Python实现的k-means聚类算法函数：

import numpy as np

def kmeans(X, K, max_iters=100):
    """
    K-means聚类算法函数

    参数:
        X: ndarray, shape (n_samples, n_features)
            待聚类的数据集，每行表示一个样本，每列表示一个特征
        K: int
            聚类簇的个数
        max_iters: int, optional (default=100)
            最大迭代次数

    返回:
        centroids: ndarray, shape (K, n_features)
            聚类簇的中心点
        labels: ndarray, shape (n_samples,)
            每个样本所属的聚类簇标签
    """
    n_samples, n_features = X.shape

    # 随机初始化聚类簇的中心点
    centroids = X[np.random.choice(n_samples, K, replace=False), :]

    # 迭代更新聚类簇的中心点
    for i in range(max_iters):
        # 计算每个样本到聚类簇中心点的距离
        distances = np.sqrt(((X - centroids[:, np.newaxis])**2).sum(axis=2))

        # 根据距离将每个样本分配到最近的聚类簇
        labels = distances.argmin(axis=0)

        # 更新聚类簇的中心点
        for k in range(K):
            centroids[k] = X[labels == k].mean(axis=0)

    return centroids, labels

该函数先随机初始化聚类簇的中心点，然后迭代更新聚类簇的中心点，直到收敛或达到最大迭代次数。在每次迭代中，该函数计算每个样本到聚类簇中心点的距离，然后根据距离将每个样本分配到最近的聚类簇，最后更新聚类簇的中心点。最终返回聚类簇的中心点和每个样本所属的聚类簇标签。