写一个聚类算法

K-means 聚类算法：

1. 随机选择 K 个中心点，其中 K 是聚类的数量。
2. 对于每个数据点，计算它与 K 个中心点的距离，将其归类到离它最近的中心点的聚类中。
3. 计算每个聚类的中心点并更新它们的位置。
4. 重复步骤 2 和 3，直到聚类中心点不再改变，或达到最大迭代次数为止。

伪代码：

Input: 数据集 X, 聚类数量 K, 最大迭代次数 max_iter

1. 随机初始化 K 个中心点 C
2. for i in range(max_iter):
3.     for x in X:
4.         计算 x 到 C 中心点的距离，将其归类到最近的聚类中
5.     for k in range(K):
6.         更新聚类 k 的中心点为所有属于该聚类的数据点的平均值
7.     if 聚类中心点不再改变:
8.         break
9. return 每个数据点所属的聚类

K-means 聚类算法的时间复杂度为 O(I * K * N * d)，其中 I 是迭代次数，K 是聚类数量，N 是数据点数量，d 是数据点的维度。