某电商平台希望根据用户的购物行为对用户进行分群，以便制定差异化的运营策略。 每位用户有三个特征指标： purchase_amount（月均消费金额） visit_frequency（月均访问次数） return_rate（退货率，已归一化） 你需要实现 KMeans 聚类算法，将用户划分为若干个群体。 KMeans 算法的流程如下：给定 K 个初始聚类中心，计算每个数据点到各聚类中心的欧氏距离，将数据点分配到距离最近的聚类中心所在的组。然后对每个组重新计算中心点（即该组内所有数据点各维度的算术平均值），完成一轮迭代。 重复上述过程指定的迭代次数后，输出最终的 K 个聚类中心，每个维度的值保留两位小数（四舍五入）。 欧氏距离的计算公式为： d=√((x_1-x_2)^2+(y_1-y_2)^2+(z_1-z_2)^2)
第一行一个正整数 K，表示聚类中心的个数。 接下来 K 行，每行三个浮点数，表示初始聚类中心的三个特征值。 下一行一个正整数，表示迭代次数。 下一行一个正整数 m，表示数据点的个数。 接下来 m 行，每行三个浮点数，表示一个数据点的三个特征值。
输出 K 行，每行三个数值，表示迭代结束后各聚类中心的三个特征值，保留两位小数，四舍五入。
2 10 20 30 40 50 60 2 6 8 18 25 12 22 35 42 48 58 38 52 62 45 55 65 5 15 28
8.33 18.33 29.33 41.67 51.67 61.67
3 5 5 5 15 15 15 25 25 25 1 4 4 4 4 6 6 6 14 16 14 26 24 26
5.00 5.00 5.00 14.00 16.00 14.00 26.00 24.00 26.00
考点：模拟
限制 1 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
按 KMeans 流程迭代指定次数：每次把数据点分到最近的中心，再对各组取各维算术平均作为新中心，最后输出中心保留两位小数。
不涉及复杂算法，把题目描述的流程原样翻译成代码逐步执行即可。
思路框架（模拟 通法 · 非本题专属）
实现要点：结构上通常是一个外层循环包住若干 if/else 分支；只要状态定义清楚，正确率很高。
复杂度：时间 O(操作次数) ｜ 空间 O(状态数)
该范式的通法易错点
样例 1：输入 2 / 10 20 30 / 40 50 60 / 2 / 6 / 8 18 25 / 12 22 35 / 42 48 58 / 38 52 62 / 45 55 65 / 5 15 28 → 输出 8.33 18.33 29.33 / 41.67 51.67 61.67
初始中心为 [10,20,30] 和 [40,50,60]，共 6 个数据点，迭代 2 次。
第 1 轮：前三个点 (8,18,25)、(12,22,35)、(5,15,28) 距离中心 [10,20,30] 更近，分到第一组；后三个点 (42,48,58)、(38,52,62)、(45,55,65) 距离中心 [40,50,60] 更近，分到第二组。更新中心为 [8.33,18.33,29.33] 和 [41.67,51.67,61.67]。
第 2 轮：分配结果不变，中心保持不变。
样例 2：输入 3 / 5 5 5 / 15 15 15 / 25 25 25 / 1 / 4 / 4 4 4 / 6 6 6 / 14 16 14 / 26 24 26 → 输出 5.00 5.00 5.00 / 14.00 16.00 14.00 / 26.00 24.00 26.00
初始中心为 [5,5,5]、[15,15,15]、[25,25,25]，共 4 个点，迭代 1 次。
(4,4,4) 和 (6,6,6) 距离中心 [5,5,5] 最近，分到第一组，新中心为 [(4+6)/2,(4+6)/2,(4+6)/2]=[5,5,5]。
(14,16,14) 距离中心 [15,15,15] 最近，分到第二组，新中心为 [14,16,14]。
(26,24,26) 距离中心 [25,25,25] 最近，分到第三组，新中心为 [26,24,26]。
解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2026年-华为-3月4号AI岗。