不调用sklearn库，用python编写高斯混合聚类算法，并在iris数据上进行聚类实验，最后可视化

好的，以下是使用Python编写高斯混合聚类算法，并在Iris数据上进行聚类实验的代码。我们先从网上下载Iris数据集，并进行数据预处理：

import numpy as np

# 读取数据集
with open('iris.data', 'r') as f:
    data = f.readlines()

# 数据预处理
X = []
for i in range(len(data)):
    if data[i] != '\n':
        x = data[i].split(',')[:-1]
        X.append(list(map(float, x)))
X = np.array(X)

然后，我们实现高斯混合聚类算法：

from scipy.stats import multivariate_normal

def GMM(X, K, max_iter):
    n, m = X.shape

    # 初始化参数
    pi = np.full(shape=K, fill_value=1/K)
    means = np.random.rand(K, m)
    covs = np.array([np.eye(m)] * K)

    for i in range(max_iter):
        # E步骤
        gamma = np.zeros((n, K))
        for j in range(K):
            gamma[:, j] = pi[j] * multivariate_normal.pdf(X, means[j], covs[j])
        gamma = (gamma.T / np.sum(gamma, axis=1)).T

        # M步骤
        Nk = np.sum(gamma, axis=0)
        pi = Nk / n
        for j in range(K):
            means[j] = np.sum(X * gamma[:, j].reshape(-1, 1), axis=0) / Nk[j]
            x_mean = (X - means[j])
            covs[j] = np.dot(gamma[:, j] * x_mean.T, x_mean) / Nk[j]

    return np.argmax(gamma, axis=1)

最后，我们可视化聚类效果：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 进行聚类并可视化
labels = GMM(X, 3, 100)
fig = plt.figure()
ax = Axes3D(fig)
ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=labels)
plt.show()

运行完整代码后，将会得到Iris数据集的聚类可视化结果。