以下是使用Python编写的按照中心点和半径对数据进行聚类的示例代码：

import numpy as np
from sklearn.cluster import DBSCAN

# 创建一个示例数据集
data = np.array([[1, 2], [1, 4], [3, 2], [10, 20], [11, 22], [12, 20]])

# 创建DBSCAN对象并指定半径
dbscan = DBSCAN(eps=3, min_samples=2)

# 使用DBSCAN进行聚类
dbscan.fit(data)

# 获取每个数据点的聚类标签
labels = dbscan.labels_

# 获取聚类中心点的索引
center_indices = dbscan.core_sample_indices_

# 获取聚类中心点的坐标
centers = data[center_indices]

# 打印每个数据点的聚类标签和坐标
for i in range(len(data)):
    print("数据点{}的聚类标签为{}，坐标为{}".format(i, labels[i], data[i]))

# 打印聚类中心点的坐标
print("聚类中心点的坐标为{}".format(centers))

在这个示例中，我们使用了DBSCAN（基于密度的聚类算法）来对数据进行聚类。我们创建了一个示例数据集，其中包含6个数据点。然后，我们创建了一个DBSCAN对象，并将半径（eps）设置为3。然后，我们使用fit()方法对数据进行聚类。聚类结果存储在labels变量中。我们还使用core_sample_indices_属性获取聚类中心点的索引，并使用这些索引从数据集中获取聚类中心点的坐标。最后，我们打印每个数据点的聚类标签和坐标，以及聚类中心点的坐标。