解题思路
题目要求在给定初始聚类中心的前提下，按 KMeans 聚类算法迭代更新中心点。
核心流程（重复给定迭代次数 T 轮）：
- 分配样本：对每个样本点，计算它到每个聚类中心的欧式距离
(d=(x1−x2)2+(y1−y2)2+(z1−z2)2)
将样本分配给距离最近的中心（若距离相同，取编号更小的中心即可，代码里自然满足）。
P4571.第2题-网络流量分析
题目内容
网络流量分析是网络安全和性能优化的关键任务。假设你有一个包含网络流量数据的数据集，每条数据包含以下特征：
packet_size(数据包大小，单位，字节)
inter_ arrival_ time(数据包到达间隔时间，单位：毫秒)
protocol_type(协议类型，如 TCP、UDP、ICMP 等，已转换为数值编码)
你的任务是使用 KMeans 聚类算法对网络流量进行分类，分类后的中心点再经过一个分类头，能识别出可能的流量类型(如正常流量、异常流量、DDoS 攻击流量等)。KMeans 算法原理为：先将数据分为 K 组，随机选取 K 个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，将每一个对象分配给距离它最近的聚类中心，聚类中心以及分配给它们的对象就代表一个聚类。(为保证结果固定，本题初始的聚类中心已给出，不需要随机)
输入描述
初始聚类点个数 k
初始聚类中心集合(往下 k 行，一行一个中心点)
迭代次数
样本个数 m
样本数 m ，每个样本有三个特征(往下 m 行，假定各特征数据已归一化处理，各维度权重占比一致)
输出描述
按给定次数迭代后新的聚类中心集合
样例1
输入
3
50 25 30
60 15 60
25 75 90
3
9
50 25 30
30 50 30
60 15 60
25 75 90
10 05 60
26 15 30
32 67.5 90
80 7.5 60
20 100 90
输出
35.33 30.00 30.00
50.00 9.17 60.00
25.67 80.83 90.00
说明
采用欧式距离计算不同数据之间的距离：
d=(x1−x2)2+(y1−y2)2+(z1−z2)2
计算每个特征距离中心点的距离，选择距离最近的点作为当前特征归属的类别；按照划分的类别，使用重新计算每个类别的中心点，完成一轮迭代(中心点为对应类里所有样本的平均值)
重复上述流程 k 次得到结果，最终结果保留两位小数，注意四舍五入
样例2
输入
3
50 20 30
60 10 60
180 180 180
3
8
50 20 30
30 50 30
60 10 60
25 75 90
100 5 60
30 60 90
80 10 60
180 180 180
输出
40.00 35.00 30.00
59.00 32.00 72.00
180.00 180.00 180.00
说明
采用欧式距离计算不同数据之间的距离：
d=(x1−x2)2+(y1−y2)2+(z1−z2)2
计算每个特征距离中心点的距离，选择距离最近的点作为当前特征归属的类别；按照划分的类别，使用重新计算每个类别的中心点，完成一轮迭代(中心点为对应类里所有样本的平均值)
重复上述流程 k 次得到结果，最终结果保留两位小数，注意四舍五入
提示
取值范围
初始聚类中心点个数：0<=n<=1000，类型为 int
初始聚类中心点集合：每个特征的取值范围为 0<=f<=1000 ，类型为 float
迭代次数：0<=k<=1000，类型为 int
初始特征个数：0<=n<=1000，类型为 int
初始特征集合：每个特征的取值范围为 0<=f<=1000，类型为 float
