在Python中，寻找聚类中心通常可以通过以下几种方法实现：
K-Means算法:
使用`sklearn.cluster.KMeans`类，可以方便地实现K-Means算法。
参数包括`n_clusters`（聚类中心数量）、`init`（初始化方式）、`n_init`（随机初始化次数）等。
示例代码如下：
from sklearn.cluster import KMeans初始化KMeans模型kmeans = KMeans（n_clusters=3, init='k-means++', n_init=10）对数据进行聚类kmeans.fit（X）获取聚类中心centroids = kmeans.cluster_centers_
层次聚类:
使用`sklearn.cluster.AgglomerativeClustering`类，可以执行层次聚类。
参数包括`linkage`（链接方式，如'ward'）、`affinity`（相似度计算方式，如'euclidean'）等。
示例代码如下：
from sklearn.cluster import AgglomerativeClustering初始化层次聚类模型clustering_model = AgglomerativeClustering（linkage='ward', affinity='euclidean', n_clusters=3）对数据进行聚类clustering_model.fit（X）获取聚类中心centroids = clustering_model.cluster_centers_
手动计算:
可以通过计算每个簇内所有点的均值来找到聚类中心。
示例代码如下：
import numpy as np计算每个簇的均值作为聚类中心centroids = np.array（[X[idx].mean（axis=0） for idx in clustering_model.labels_]）
以上方法都可以用来找到聚类中心，具体选择哪种方法取决于数据的特性和聚类的需求。需要注意的是，聚类中心的选择可能会受到初始化的影响，因此多次运行算法并选择最佳结果通常是一个好的做法。