Iris数据集Kmeans聚类分析，不使用sklearn中的方法

好的，下面是一个使用 Python 实现的 Iris 数据集 Kmeans 聚类分析代码，不使用 Scikit-learn 库中的方法：

import numpy as np
import pandas as pd

# 加载数据集
iris = pd.read_csv('Iris.csv')
X = iris.iloc[:, :-1].values

# 定义 Kmeans 类
class KMeans:
    def __init__(self, n_clusters=3, max_iter=300):
        self.n_clusters = n_clusters
        self.max_iter = max_iter

    def fit(self, X):
        # 随机初始化聚类中心
        self.centroids = X[np.random.choice(X.shape[0], self.n_clusters, replace=False), :]
        for i in range(self.max_iter):
            # 计算每个点到聚类中心的距离
            distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
            # 找出每个点所属的聚类中心
            labels = np.argmin(distances, axis=0)
            # 更新聚类中心
            for j in range(self.n_clusters):
                self.centroids[j] = X[labels==j].mean(axis=0)

    def predict(self, X):
        # 计算每个点到聚类中心的距离
        distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
        # 找出每个点所属的聚类中心
        labels = np.argmin(distances, axis=0)
        return labels

# 创建 KMeans 模型并训练数据
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)

# 预测结果并输出
result = kmeans.predict(X)
print(result)

以上代码中，我们定义了一个 `KMeans` 类来实现 Kmeans 算法。在 `fit()` 函数中，我们首先随机初始化聚类中心，然后迭代更新聚类中心，直到达到最大迭代次数。在 `predict()` 函数中，我们根据已经训练好的聚类中心找出每个点所属的聚类中心。

需要注意的是，以上示例代码仅仅是一个简单的示例，实际应用中需要对数据进行更多的预处理和调参。