用python写一个k-means算法

以下是一个简单的 Python 实现 k-means 算法的示例代码：

import random
import numpy as np

def kmeans(X, k, max_iterations=100):
    # 随机选择 k 个点作为初始聚类中心
    centroids = random.sample(X, k)
    for i in range(max_iterations):
        # 将数据点分配给最近的聚类中心
        clusters = [[] for _ in range(k)]
        for x in X:
            distances = [np.linalg.norm(x - c) for c in centroids]
            cluster_index = np.argmin(distances)
            clusters[cluster_index].append(x)
        # 计算新的聚类中心
        new_centroids = []
        for cluster in clusters:
            new_centroid = np.mean(cluster, axis=0)
            new_centroids.append(new_centroid)
        # 如果聚类中心不变则停止迭代
        if np.allclose(centroids, new_centroids):
            break
        centroids = new_centroids
    return clusters, centroids

在上述代码中，输入参数 X 是一个 n×m 的矩阵，其中 n 是数据点的数量，m 是每个数据点的特征数。k 是需要聚类的簇的数量。max_iterations 是最大迭代次数。

在函数的开头，我们随机选择 k 个点作为初始聚类中心。然后，我们将数据点分配给最近的聚类中心，并计算新的聚类中心。如果新的聚类中心和旧的聚类中心相同，则停止迭代。

最后，函数返回聚类后的簇以及聚类中心。