K-means 算法試圖將數據集中的樣本劃分為若干個子集，每個子集稱為一個簇，通過該算法使得每個聚類內的數據點盡可能相似（即距離該聚類的中心點最近），而不同聚類之間的數據點盡可能不相似。

算法步驟如下：

1. 從樣例數據中隨機選擇k個點作為初始質心，k表示簇的個數。

2. 根據質心點循環進行計算分類。當質心點不發生變化時，結束循環，返回最終的質心點。詳細計算步驟如下：

   1. 根據質心計算每個點到質心的歐氏距離。
   2. 對于每個數據點，尋找距離最近的質點歸類。
   3. 計算每個簇中數據點的平均距離。
   4. 以該平均值作為新的質點，繼續計算。

   舉個例子，假設計算得到的歐式距離數據如下：

   [[1,2,3],[2,3,1],[4,5,6],[7,6,4]....[3,1,2]]
   

   表示有 3 個簇，樣本數據的第一個點距離這三個質點的距離分別為 1、2、3，第二個點距離三個質點的距離分別為 2、3、1，后邊的數據依次類推。那么會將第一個點分類到簇 1，第二點分類到簇 3，依次類推。

3. 根據第 2 步驟得到的質心點，計算獲取簇數據。參考 2.1-2.2 步驟。

如下是根據你的需求給出的 Python 示例代碼，請在你的環境上提前安裝pandas庫和numpy庫。

import random
import numpy as np
import pandas as pd# 計算歐氏距離
def euclidean_distance(dataset, centroids, k):clalist = []for data in dataset:# 平鋪數據，計算每個點到質心的距離diff = np.tile(data, (k, 1)) - centroidssquared_diff = diff ** 2squared_dist = np.sum(squared_diff, axis=1)distance = squared_dist ** 0.5clalist.append(distance)# 返回一個每個點到質點的距離的數組clalist = np.array(clalist)return clalist# 分類并計算變化量
def classify(dataset, centroids, k):# 計算單個點到每個質心的的距離# 數據結構為：[[1,2,3],[2,3,1],[4,5,6],[7,6,4]....[3,1,2]]# 表示有三個質心，數組中的第一個元素表示樣本的第一個點分別到三個質心的距離clalist = euclidean_distance(dataset, centroids, k)# 對于每個點，將會分配到距離它最近的質心，這里給出的是分類結果的索引min_dist_indices = np.argmin(clalist, axis=1)# 按照 min_dist_indices 進行統計分類，對分類結果求均值new_centro_ids = pd.DataFrame(dataset).groupby(min_dist_indices).mean()new_centro_ids = new_centro_ids.values# 計算變化量changed = new_centro_ids - centroidsreturn changed, new_centro_ids# k-means 算法
def kmeans(dataset, k):# 隨機取質心centroids = random.sample(dataset, k)# 更新質心，直到變化量全為 0changed, new_centro_ids = classify(dataset, centroids, k)while np.any(changed != 0):changed, new_centro_ids = classify(dataset, new_centro_ids, k)centroids = sorted(new_centro_ids.tolist())# 根據質心計算每個集群cluster = []clalist = euclidean_distance(dataset, centroids, k)min_dist_indices = np.argmin(clalist, axis=1)for _ in range(k):cluster.append([])for data_idx, cluster_idx in enumerate(min_dist_indices):cluster[cluster_idx].append(dataset[data_idx])return centroids, cluster# 創建數據集
dataset = [[1, 1], [1, 2], [2, 1], [6, 4], [6, 3], [5, 4]]
# k-means 算法
centroids, cluster = kmeans(dataset, 2)
print('質心為：{}'.format(centroids))
print('集群為：{}'.format(cluster))

上述代碼中，定義了一個主函數kmeans和兩個輔助函數classify和euclidean_distance，創建了一個數據集dataset，主函數接受數據集dataset和聚類的類別數k作為輸入，然后調用兩個輔助函數實現聚類計算的功能。

需要注意的是，K-means 算法雖然有效，但是容易受到初始簇質心的情況而影響，有可能陷入局部最優解。