Кластеризация k-means

import numpy as np
 
# евклидово расстояние между двумя точками
def dist(A, B):
  # TODO: реализуйте вычисление евклидова расстояния для двух точек A и B в N-мерном пространстве
  # Помните, что размерность пространства может быть произвольной (не только 2D).
  # Для взятия разностей по каждому измерерию можно использовать код: A - B
  # Для возведения в квадрат можете использовать оператор ** (например, 3**2 == 9) или функцию np.power
  # Для вычисления суммы используйте функцию sum или np.sum
  # Для вычисления квадратного корня используйте функцию np.sqrt
      r=np.sqrt((A[0]-B[0])**2+(A[1]-B[1])**2) #дописал#
      return r
 
# возвращает список индексов ближайших центров по каждой точке
def class_of_each_point(X, centers):
  m = len(X)
  k = len(centers)
 
  # матрица расстояний от каждой точки до каждого центра
  distances = np.zeros((m, k))
  for i in range(m):
    for j in range(k):
      distances[i, j] = dist(centers[j], X[i])
 
  # поиск ближайшего центра для каждой точки
  return np.argmin(distances, axis=1)
 
 
def kmeans(k, X):
 
  # TODO: инициализировать переменные m и n
  # m - количество строк в матрице X
  # n - количество столбцов в матрице X
  # Используйте свойство shape матрицы X для решения этой задачи
  # Чтобы понять, что хранится в свойстве shape, попробуйте в консоли Python следующий код:
  # >>> ones = np.ones((3, 2))
  # >>> ones
  # >>> ones.shape
    m=len(X) #дописал#
    n=2 #дописал#
    
    curr_iteration = prev_iteration = np.zeros(m)
 
  # TODO: сгенерировать k кластерных центров со случайными координатами.
  # Должна получиться матрица случайных чисел размера k*n (k строк, n столбцов).
  # Для генерации матрицы случайных чисел используйте код:
  # centers = np.random.random((k, n))
  # Функция random генерирует случайные числа в диапазоне от 0 до 1, поэтому
  # не забывайте, что координаты центров не должны выходить
  # за границы минимальных и максимальных значений столбцов (признаков) матрицы X.
  # Для вычисления минимальных и максимальных значений по столбцам (признакам)
  # матрицы X используйте функции min(X, axis=0) и max(X, axis=0) библиотеки NumPy соответственно.
  # centers = ...
  centers = np.random.random((k, n)) #дописал#
  
  # приписываем каждую точку к заданному классу
    curr_iteration = class_of_each_point(X, centers)
 
  # цикл до тех пор, пока центры не стабилизируются
  # TODO: условие выхода из цикла - векторы curr_iteration и prev_iteration стали равны
  # Для сравнения двух массивов NumPy можете использовать один из вариантов:
  #   np.all(a1 == a2), где a1 и a2 массивы NumPy.
  # или
  #   np.any(a1 != a2)
  # Для реализации логического отрицания в Python используйте not
  # Поэкспериментируйте в консоли Python с функциями all и any, чтобы понять, как они работают.
    
    while np.any(prev_iteration != curr_iteration): #дописал#
     prev_iteration = curr_iteration  
 
    # вычисляем новые центры масс
    for i in range(k):
      sub_X = X[curr_iteration == i,:]
      if len(sub_X) > 0:
        centers[i,:] = np.mean(sub_X, axis=0)
 
    # приписываем каждую точку к заданному классу
    curr_iteration = class_of_each_point(X, centers)
  
    return centers

import numpy as np
import matplotlib.pyplot as plt
from k_means import kmeans
 
# исходные данные
X = np.array([
  [4, 4],
  [3, 3],
  [5, 3],
  [2, 3],
  [5, 5],
  [3, 2],
  [2, 4],
  [4, 5],
  [5, 4],
  [2, 2]])
 
# запуск кластеризации
ans = kmeans(2, X)
 
# отображение результатов
print(ans)
plt.plot(X[:,0], X[:,1], 'bx', ans[:,0], ans[:,1], 'r*', markersize=20)
plt.grid()
plt.show()