K-means算法：探索聚类的基础

K-means算法是一种常用的聚类算法，用于将数据集划分为不同的簇。本文将详细解释K-means算法的原理和实现，并提供相应的源代码。

一、K-means算法原理
K-means算法的目标是将样本集合划分为K个簇，使得簇内的样本点之间的相似度最大化，而不同簇之间的相似度最小化。算法的步骤如下：

1. 随机选择K个初始中心点，每个中心点代表一个簇的质心。
2. 将每个样本点指派给离其最近的中心点所代表的簇。
3. 对于每个簇，计算所有样本点的均值，更新中心点的位置。
4. 重复步骤2和3，直到中心点的位置不再发生变化或达到预定的迭代次数。

二、K-means算法的实现
下面给出K-means算法的Python实现：

import numpy as np

def k_means(data, k, max_iterations):
    # 随机选择K个初始点作为初始质心
    centers = random