乳腺癌数据集聚类分析代码，不使用sklearn，聚类设置簇个数为2，对聚类结果进行可视化

以下是乳腺癌数据集的聚类分析代码，使用K-Means算法进行聚类，聚类设置簇个数为2，并对聚类结果进行可视化。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('breast_cancer_data.csv')

# 将标签列删除
X = data.drop(['label'], axis=1)

# 将数据转换为numpy数组形式
X = np.array(X)

# 定义K-Means算法
def KMeans(X, k=2, max_iter=100):
    # 随机选择k个中心点
    centers = X[np.random.choice(X.shape[0], k, replace=False)]
    for i in range(max_iter):
        # 计算每个样本点到中心点的距离
        distances = np.sqrt(((X - centers[:, np.newaxis])**2).sum(axis=2))
        # 找到每个样本点距离最近的中心点
        closest = np.argmin(distances, axis=0)
        # 更新中心点位置
        for j in range(k):
            centers[j] = X[closest == j].mean(axis=0)
    return centers, closest

# 聚类
centers, labels = KMeans(X, k=2)

# 可视化聚类结果
plt.scatter(X[labels == 0][:, 0], X[labels == 0][:, 1], color='red', label='cluster 1')
plt.scatter(X[labels == 1][:, 0], X[labels == 1][:, 1], color='blue', label='cluster 2')
plt.scatter(centers[:, 0], centers[:, 1], marker='*', s=200, color='black', label='center')
plt.legend()
plt.show()

说明：

- 读取乳腺癌数据集，并将标签列删除，得到特征数据。
- 定义K-Means算法，随机选择k个中心点，不断更新中心点位置，直到达到最大迭代次数或中心点位置不再改变。
- 调用K-Means算法进行聚类，设置簇个数为2。
- 可视化聚类结果，将属于不同簇的样本点用不同颜色表示，将中心点用星号标注。