kmeans代码实现聚类python，并输出对应的聚类中心

下面是一个用 Python 实现 K-Means 聚类的代码示例：

import numpy as np

def kmeans(X, k, max_iterations=100):
    # 随机选择 k 个初始聚类中心
    centers = X[np.random.choice(X.shape[0], k, replace=False), :]
    
    for i in range(max_iterations):
        # 计算每个样本到每个聚类中心的距离
        distances = np.array([np.linalg.norm(X - center, axis=1) for center in centers])
        
        # 找到每个样本最近的聚类中心
        nearest_centers = np.argmin(distances, axis=0)
        
        # 更新每个聚类中心为该聚类内样本的平均位置
        for center_idx in range(k):
            centers[center_idx] = np.mean(X[nearest_centers == center_idx, :], axis=0)
    
    # 输出聚类中心
    return centers

在调用该代码时，需要传入样本数据 `X`，聚类数量 `k` 和最大迭代次数 `max_iterations`。最终，代码会返回 `k` 个聚类中心。