python简单实现kmeans，水平有限，欢迎指导

kmeans的理论解释这里先不做解释，如果有时间我会补上，下面是python实现kmeans算法的代码，如果有问题的话欢迎指出。

这里分享代码也是供自己学习所用，因为最近在学习及其学习入门

import matplotlib.pyplot as plt
import random
import numpy as np


# 计算样本点到一个类中心的距离
def dist_sample_class(x, c):
    return np.sqrt(sum(np.power((x - c), 2)))


# 返回样本点和哪一个类中心最近，返回下标,其中C是全部类中心的一个集合，ndarray
def index_min_dist(x, Center):
    dist_list = []
    for i in range(len(Center)):
        dist = dist_sample_class(x, Center[i])
        dist_list.append(dist)
    return dist_list.index(min(dist_list))


# 计算类中心，其中C是样本点的一个划分，data是一个ndarray类型
def class_center(C, data):
    center = np.zeros((len(C), data.shape[1]))
    for i in range(len(C)):
        centeri = data[C[i]].mean(axis=0)
        center[i] = centeri
    return center


# 根据聚类中心和数据计算类划分
def class_split(centers, data):
    for i in range(len(data)):
        minindex = index_min_dist(data[i], centers)
        if not (i in C[minindex]):
            C[minindex].append(i)
    return C


# 主函数
def main():
    data = np.array([[0, 2], [0, 0], [1, 0], [5, 0], [5, 2]])
    # 初始化
    class_num = 2  # 设置聚类数
    rng = random.sample(range(len(data)), class_num)
    C = [[rng[i]] for i in range(class_num)]  # 初始化类中心

    clusterchanged = True
    while clusterchanged:
        centers = class_center(C, data)  # 计算类中心
        C = class_split(centers, data)  # 计算类划分
        # 终止条件是什么呢
        newcenters = class_center(C, data)
        k = k + 1
        if (centers == newcenters).all():
            clusterchanged = False

    #可视化
    color_list = ['g','b']
    for i in range(len(C)):
        classi = data[C[i]]
        x = classi[:, 0]
        y = classi[:, 1]
        plt.scatter(x,y,color=str(color_list[i]))
   

if __name__ == '__main__':
    main()