python实现k-means算法全部过程

k-means 是一种聚类算法，用于将数据分成 k 个不同的簇。

假设你有一个数据集，包含了 n 个数据点，每个数据点有 m 个特征。首先，你需要随机初始化 k 个质心，每个质心表示一个簇。然后，你需要执行以下步骤，直到质心不再改变或者达到最大迭代次数：

1. 计算每个数据点到每个质心的欧几里得距离，并将每个数据点分配到距离它最近的质心所在的簇中。

2. 重新计算每个簇的质心。

下面是 k-means 的 python 代码实现：

from typing import List, Tuple
import numpy as np

def kmeans(X: List[List[float]], k: int, max_iter: int) -> Tuple[List[int], List[List[float]]]:
    """
    Perform k-means clustering on the data.
    
    Parameters
    ----------
    X : list of list of float
        The data to cluster, where each element is a data point with m features.
    k : int
        The number of clusters.
    max_iter : int
        The maximum number of iterations.
    
    Returns
    -------
    labels : list of int
        The cluster labels for each data point.
    centroids : list of list of float
        The k centroids.
    """
    # Initialize the centroids randomly
    n, m = len(X), len(X[0])
    centroids = [[np.random.random() for _ in range(m)] for _ in range(k)]
    labels = [0 for _ in range(n)]
    
    for _ in range(max_iter):
        # Assign each data point to the closest centroid
        for i, x in enumerate(X):
            distances = [euclidean_distance(x, c) for c in centroids]
            labels[i] = distances.index(min(distances))
        
        # Recompute the centroids
        centroids = [np.zeros(m