K-means 聚类算法的例子讲得挺直观的，两个维度：X 和 Y，6 组数据，不复杂，但刚刚好能聚类的基本过程。嗯，如果你刚开始接触 数据挖掘，看完这个例子，基本就能明白 K-means 怎么一步步找中心点的。

数据列得规整，从 t1 到 t6，每个实例都有 X 和 Y 两个属性。这种二维数据，用来练手聚类算法挺合适，画图也直观。再配合下边几个参考链接，不管你是用 Python，Matlab，还是想了解下原理，资源都安排上了。

比如用 Python 的话，可以看看这个Python 实现 K-Means 聚类算法，代码比较清晰，逻辑也不绕；喜欢用 Matlab 的话，这篇Matlab 实现 K-means 聚类算法也蛮实用，画图、聚类一把抓。

如果你更关心原理，那这篇详解 k-means 聚类算法就挺值得看，理论讲得比较细，带例子讲，读起来不枯燥。顺手推荐下这个优化文本聚类中 K-Means 算法的应用，有点进阶内容，适合想继续深入的你。

建议你边看例子边手动算下初始聚类中心，再自己写段小代码试试，比如：

import numpy as np
from sklearn.cluster import KMeans


X = np.array([[1.0, 1.5], [1.0, 4.5], [2.0, 1.5],
              [2.0, 3.5], [3.0, 2.5], [5.0, 6.0]])


kmeans = KMeans(n_clusters=2).fit(X)
print(kmeans.labels_)

，这套例子配合链接资源，蛮适合新手练习的。如果你刚学完聚类相关的章节，可以拿来复习下、写点小实验啥的。