已知数据点坐标，相似度矩阵，近邻传播聚类算法的代码

由于近邻传播聚类算法是一种基于图论的聚类算法，因此需要先构建相似度矩阵，然后将其转化为图，最后进行近邻传播聚类。以下是一个简单的 Python 代码示例：

import numpy as np
from sklearn.neighbors import kneighbors_graph

# 构建相似度矩阵
data = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
similarity_matrix = np.exp(-1 * np.sum((data[:, np.newaxis, :] - data[np.newaxis, :, :]) ** 2, axis=-1))

# 将相似度矩阵转换为图
graph = kneighbors_graph(similarity_matrix, n_neighbors=2, include_self=False)

# 近邻传播聚类
from sklearn.cluster import SpectralClustering

model = SpectralClustering(n_clusters=2, affinity='precomputed', assign_labels='discretize')
labels = model.fit_predict(graph)
print(labels)

其中，`data` 是输入的数据点坐标，`similarity_matrix` 是相似度矩阵，`graph` 是转换后的图，`SpectralClustering` 是 sklearn 中的近邻传播聚类算法，通过 `n_clusters` 指定聚类数目。最后输出的 `labels` 就是每个数据点所属的聚类标签。