下面是一个使用scikit-learn库进行K-Means聚类的示例，包括定义初始质心的部分。

import numpy as np
from sklearn.cluster import KMeans

# 创建示例数据
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# 定义初始质心
init_centroids = np.array([[2, 2], [3, 3]])

# 创建KMeans模型并指定初始质心
kmeans = KMeans(n_clusters=2, init=init_centroids, random_state=0)

# 进行聚类
kmeans.fit(X)

# 打印聚类结果
print(kmeans.labels_)

在上面的代码中，我们首先导入所需的库，然后创建一个包含示例数据的numpy数组X。接下来，我们定义初始质心的numpy数组init_centroids，该数组包含两个初始质心的坐标。然后，我们使用KMeans类创建一个KMeans模型，并将初始质心作为参数传递给init参数。最后，我们使用fit方法对数据进行聚类，并使用labels_属性打印聚类结果。

请注意，init参数接受的初始质心应该是一个形状为(n_clusters, n_features)的数组，其中n_clusters是要创建的聚类数量，n_features是每个样本的特征数量。