代码实现：读入 PCA 降维后的二维鸢尾花数据集，不用调库的方式而是按 Kmeans 算法描述的过程完成数据集的聚类处理（取 K=2）（注意： 不得直接调用 sklearn 或其他库中的 Kmeans 或类似的类和函数），并输出聚类 结果（各样本的所属簇编号，以及各簇的聚类中心向量）调用 matplotlib 的 scatter 函数将聚类后各样本以及聚类中心的可视化 输出（不同簇内的样本用不同的颜色表示）。调 用 sklearn 库 中 的 rand_score 、 fowlkes_mallows_score 、 davies_bouldin_score 函数，计算得到外部指标（RI、FMI）和内部指标（DBI），寻找最佳聚类数 K。取 K=2~8 分别进行 Kmeans 聚类，并计算每种 K 取值时的 DBI 指标（也可以采用轮廓分数），画出折线图，并找出最佳 K 值。

好的，以下是一个Python代码实现，可以完成您的要求。代码中使用了numpy和matplotlib库，但没有直接调用sklearn或其他库中的Kmeans或类似的类和函数。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import rand_score, fowlkes_mallows_score, davies_bouldin_score

# 读入PCA降维后的二维鸢尾花数据集
data = np.loadtxt('iris_pca.txt', delimiter=',')

# 设置聚类数K为2
K = 2

# 初始化聚类中心向量，随机选择K个样本作为中心
np.random.seed(42) # 设置随机种子，以便复现结果
centers = data[np.random.choice(data.shape[0], K, replace=False), :]
print('初始化聚类中心向量：\n', centers)

# 迭代进行Kmeans算法，最多迭代100次
max_iter = 100
for i in range(max_iter):
    # 分配样本到最近的聚类中心
    distances = np.linalg.norm(data[:, np.newaxis, :] - centers, axis=2) # 计算样本到聚类中心的距离
    labels = np.argmin(distances, axis=1) # 分配样本到最近的聚类中心
    
    # 更新聚类中心向量
    new_centers = np.array([data[labels == k, :].mean(axis=0) for k in range(K)])
    
    # 如果聚类中心不再发生变化，停止迭代
    if np.allclose(new_centers, centers):
        break
    
    centers = new_centers

# 输出聚类结果
print('聚类结果：\n', labels)
print('聚类中心向量：\n', centers)

# 可视化聚类结果
colors = ['r', 'b']
for k in range(K):
    plt.scatter(data[labels == k, 0], data[labels == k, 1], c=colors[k])
plt.scatter(centers[:, 0], centers[:, 1], marker='x', s=100, c='k')
plt.title('Kmeans Clustering Result')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.show()

# 计算外部指标
true_labels = np.loadtxt('iris_labels.txt', dtype=int)
ri = rand_score(true_labels, labels)
fmi = fowlkes_mallows_score(true_labels, labels)
print('Rand Index: %.4f' % ri)
print('Fowlkes-Mallows Index: %.4f' % fmi)

# 计算内部指标，寻找最佳聚类数K
Ks = range(2, 9)
dbis = []
for k in Ks:
    # 进行Kmeans聚类
    centers = data[np.random.choice(data.shape[0], k, replace=False), :]
    for i in range(max_iter):
        # 分配样本到最近的聚类中心
        distances = np.linalg.norm(data[:, np.newaxis, :] - centers, axis=2)
        labels = np.argmin(distances, axis=1)
        
        # 更新聚类中心向量
        new_centers = np.array([data[labels == j, :].mean(axis=0) for j in range(k)])
        
        # 如果聚类中心不再发生变化，停止迭代
        if np.allclose(new_centers, centers):
            break
        
        centers = new_centers
    
    # 计算DBI指标
    dbi = davies_bouldin_score(data, labels)
    dbis.append(dbi)
    print('K = %d, DBI = %.4f' % (k, dbi))

# 可视化DBI指标随K的变化
plt.plot(Ks, dbis, 'bo-')
plt.title('DBI vs. K')
plt.xlabel('K')
plt.ylabel('DBI')
plt.show()

# 找出最佳聚类数K
best_k = Ks[np.argmin(dbis)]
print('最佳聚类数K为：%d' % best_k)

需要注意的是，代码中使用的数据文件为iris_pca.txt和iris_labels.txt，可以根据自己的实际情况进行修改。另外，DBI指标的计算方法可能有所不同，您可以根据自己的需求进行选择。