写一段演示kmeans算法的代码

好的，以下是一个简单的演示kmeans算法的Python代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
X = np.concatenate([np.random.normal(0, 1, (50, 2)), np.random.normal(5, 1, (50, 2))])

# 定义kmeans函数
def kmeans(X, k=2, max_iter=100):
    # 随机初始化聚类中心
    centers = X[np.random.choice(len(X), k, replace=False)]
    
    for i in range(max_iter):
        # 计算每个样本到聚类中心的距离
        distances = np.linalg.norm(X[:, np.newaxis] - centers, axis=-1)
        
        # 找到每个样本距离最近的聚类中心
        labels = np.argmin(distances, axis=-1)
        
        # 更新聚类中心
        for j in range(k):
            centers[j] = np.mean(X[labels == j], axis=0)
    
    return centers, labels

# 调用kmeans函数
centers, labels = kmeans(X, k=2)

# 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=labels)
plt.scatter(centers[:, 0], centers[:, 1], marker='*', s=200, c='r')
plt.show()

代码中先生成了一个包含100个样本的二维数据集，然后定义了一个kmeans函数，其中随机初始化聚类中心，然后迭代更新聚类中心和样本的标签，直到达到最大迭代次数。最后调用kmeans函数并可视化结果。