以下是标准的K均值算法的代码示例：

import numpy as np

def kmeans(X, k, max_iters=100):
    # 随机初始化k个聚类中心
    centroids = X[np.random.choice(range(len(X)), size=k, replace=False)]
    
    for _ in range(max_iters):
        # 分配每个样本到最近的聚类中心
        labels = np.argmin(np.linalg.norm(X[:, np.newaxis] - centroids, axis=-1), axis=-1)
        
        # 更新聚类中心为各个类别的均值
        new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)])
        
        # 如果聚类中心不再改变，则停止迭代
        if np.all(centroids == new_centroids):
            break
        
        centroids = new_centroids
    
    return labels, centroids

# 示例用法
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])
k = 2
labels, centroids = kmeans(X, k)

print("样本点的聚类标签:", labels)
print("聚类中心:", centroids)

此代码实现了标准的K均值算法。首先，随机初始化k个聚类中心。然后，迭代进行以下步骤直到满足停止条件：首先，计算每个样本点到各个聚类中心的距离，并将样本点分配到距离最近的聚类中心。然后，更新聚类中心为各个类别的均值。最后，检查新的聚类中心是否与旧的聚类中心相同，如果相同，则停止迭代；否则，继续迭代。最后，返回每个样本的聚类标签和最终的聚类中心。