K-means++聚类算法如何实现？

K-means++是一种改进的K-means算法，用于解决传统K-means算法中初始质心选取不合理导致结果不准确的问题。它利用了数据点之间的距离信息，选择初始质心更加合理。下面是K-means++聚类算法的Python代码实现：

import numpy as np
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans

def kmeans_pp(X, K):
    """K-means++聚类算法实现"""
    centers = []
    # 1. 随机选取一个样本作为第一个质心
    idx = np.random.randint(X.shape[0])
    centers.append(X[idx])
    
    while len(centers) < K:
        # 2. 对于每个样本，计算其到最近质心的距离
        dist = []
        for i in range(X.shape[0]):
            d = np.min(np.sum((X[i] - c)**2) for c in centers)
            dist.append(d)
        dist = np.array(dist)
        
        # 3. 选取下一个质心
        idx = np.random.choice(X.shape[0], p=dist/dist.sum())
        centers.append(X[idx])
        
    # 4. 使用K-means算法进行聚类
    km = KMeans(n_clusters=K, init=np.array(centers), n_init=1)
    km.fit(X)
    return km.labels_

# 数据准备
X, _ = make_blobs(n_samples=1000, centers=4, random_state=42)

# 调用K-means++聚类算法
labels = kmeans_pp(X, 4)