K-means聚类没有围绕着质心分组。

这个问题通常是由于初始化质心时随机性导致的。一种解决方法是多次运行K-means聚类，每次都使用不同的随机质心，然后从这些运行结果中选择性能最好的作为最终结果。另一种方法是使用K-means++算法初始化质心，该算法更有效地选择初始质心以确保更好的聚类结果。

下面给出使用sklearn库实现K-means++算法的示例代码：

from sklearn.cluster import KMeans
import numpy as np

# 载入数据并进行预处理
data = np.loadtxt('data.txt')
# 初始化KMeans模型，使用K-means++算法选择初始中心
kmeans = KMeans(n_clusters=3, init='k-means++')
# 进行聚类并输出结果
labels = kmeans.fit_predict(data)
print(labels)

在这个示例代码中，我们使用了sklearn库中的KMeans模型进行聚类，指定了聚类数目为3，并且使用了init参数将初始化方法指定为“k-means++”，这样我们就使用了K-means++算法初始化质心。