K-means，计算我的质心的新位置

下面是一个使用Python实现K-means算法，并计算质心新位置的代码示例：

import numpy as np

def kmeans(data, k, max_iterations=100):
    # 随机选择k个质心
    centroids = data[np.random.choice(range(len(data)), size=k, replace=False)]
    
    for _ in range(max_iterations):
        # 分配每个数据点到最近的质心
        labels = np.argmin(np.linalg.norm(data[:, np.newaxis] - centroids, axis=-1), axis=-1)
        
        # 计算新的质心位置
        new_centroids = np.array([data[labels == i].mean(axis=0) for i in range(k)])
        
        # 如果质心位置不再改变，则退出循环
        if np.all(centroids == new_centroids):
            break
        
        centroids = new_centroids
    
    return centroids

# 示例数据
data = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
k = 2

# 使用K-means算法计算质心的新位置
centroids = kmeans(data, k)
print("质心的新位置：")
for centroid in centroids:
    print(centroid)

输出结果：

质心的新位置：
[1.         2.        ]
[3.         2.        ]

上述代码首先定义了一个kmeans函数来执行K-means算法。然后，通过随机选择k个数据点作为初始质心。

接下来，在每次迭代中，计算每个数据点到所有质心的距离，选择最近的质心作为该数据点的标签。然后，根据每个标签计算新的质心位置，并检查质心位置是否发生变化。如果质心位置不再改变，则退出循环。

最后，使用示例数据调用kmeans函数，计算质心的新位置，并将结果打印输出。