K-Means聚类算法：一个简单而有效的聚类算法

K-Means聚类算法是一种常用的无监督学习算法，用于将数据集分成不同的类别或簇。它是基于距离的聚类方法，通过迭代的方式将数据点分配到K个簇中，使得同一簇内的数据点彼此相似度较高，不同簇之间的相似度较低。

算法原理：

1. 初始化：选择K个初始聚类中心，可以是随机选择或者通过其他启发式方法选择。
2. 分配数据点：对于每个数据点，计算其与每个聚类中心的距离，并将其分配给距离最近的聚类中心所属的簇。
3. 更新聚类中心：对于每个簇，计算其所有成员数据点的平均值，将该平均值作为新的聚类中心。
4. 重复步骤2和步骤3，直到聚类中心不再发生变化或达到最大迭代次数。

下面是一个简单的Python实现K-Means聚类算法的示例代码：

import numpy as np

def kmeans(X, K