使用 Pygame 模块演示了 K-Means 聚类算法的基本原理。让我逐步解释它的实现：

初始化和基本设置
Pygame 初始化： 通过 pygame.init() 初始化 Pygame。

定义颜色和屏幕大小： 定义了一些颜色常量（WHITE, BLACK, RED, GREEN, BLUE）和屏幕的宽度和高度。

创建 Pygame 窗口： 使用 pygame.display.set_mode 创建窗口，设置窗口标题。

生成随机数据点和初始聚类中心
生成随机数据点： 使用 random.randint 在屏幕范围内生成随机数据点，存储在 points 列表中。

生成初始聚类中心： 使用 random.randint 生成初始的聚类中心，存储在 clusters 列表中。

主循环
事件处理： 在主循环中，检测是否有退出事件，如果有，则退出主循环。

绘制数据点和聚类中心： 使用 pygame.draw.circle 绘制数据点和聚类中心。

计算每个数据点的分配： 计算每个数据点到各个聚类中心的距离，将其分配到距离最近的聚类中心。

更新聚类中心： 根据每个簇的数据点，更新聚类中心为该簇内数据点的平均位置。

显示数据点与聚类中心之间的连线： 使用 pygame.draw.line 显示每个数据点与其所属簇的聚类中心之间的连线。

刷新显示： 使用 pygame.display.flip() 刷新显示。

退出 Pygame
退出 Pygame： 在退出时调用 pygame.quit() 关闭 Pygame。
演示效果
这段代码在每一次主循环中执行 K-Means 算法的一次迭代，同