一.初始化聚类中心
根据题目要求，直接从数据点中取前 k 个点作为初始中心：
centers[0..k-1] = nums[0..k-1]。
二.重复迭代（最多 max_iter 次）
每次迭代分为两步：
1）分配簇标签（Assignment Step）
对于每个点 nums[i] = (xi, yi)：
题面描述
实现一个二维数据的 K-Means 聚类算法。
给定：
- 一个整数
n 表示数据点数量；
- 一个整数
k 表示聚类数；
- 一个整数
max_iter 表示最大迭代次数；
- 一个二维数组
nums，其中 nums[i] = [xi, yi] 表示第 i 个二维数据点的坐标。
你需要对 nums 中的 n 个点进行 K-Means 聚类，将它们划分为 k 个簇。在聚类过程中，允许最多进行 max_iter 次迭代（如果在此之前收敛则可以提前停止）。初始聚类中心:从数据点中选择读入进来的前 k 个点作为初始中心。
算法结束后，需要返回两个结果：
- 一个长度为
k 的二维数组，表示最终的聚类中心坐标，形式为
[[x1, y1], [x2, y2], ..., [xk, yk]]。
- 一个长度为
n 的整数数组，表示每个数据点所属的聚类标签，标签范围为 [0, k - 1]，顺序与 nums 中数据点的顺序一致。
注意:保留4位小数，误差容忍度 1e-3
示例
输入：
n = 4 , k = 2 , max_iter = 100
nums = [[1.0,1.0],[1.5,2.0],[5.0,8.0],[8.0, 8.0]]
输出：
[[1.25,1.5],[6.5,8.0]]
[0,0,1,1]
数据范围:
1 <= n <= 2 * 10^4
1 <= k <= 20
1 <= max_iter <= 100
-1e4 <= nums[i][0], nums[i][1] <= 1e4
