自编代码实现 鸢尾花Kmeans 聚类 步骤 3.6：读入 PCA 降维后的二维鸢尾花数据集 步骤 3.7：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）

好的，以下是 Python 代码实现：

import numpy as np

# 步骤 3.6：读入 PCA 降维后的二维鸢尾花数据集
data = np.loadtxt('iris_pca.txt', delimiter=',')

# 步骤 3.7：按 Kmeans 算法描述的过程完成数据集的聚类处理（取 K=2）
K = 2
n_samples, n_features = data.shape
centers = np.zeros((K, n_features))
labels = np.zeros(n_samples)

# 随机初始化聚类中心
for i in range(K):
    centers[i] = data[np.random.choice(range(n_samples))]
    
# 迭代计算聚类中心和样本所属簇编号
for _ in range(100):
    for i in range(n_samples):
        distances = np.linalg.norm(data[i] - centers, axis=1)
        labels[i] = np.argmin(distances)
    for j in range(K):
        centers[j] = np.mean(data[labels == j], axis=0)

# 输出聚类结果
print('各样本的所属簇编号：', labels.astype(int))
print('各簇的聚类中心向量：', centers)

这里假设 PCA 降维后的二维鸢尾花数据集已经保存在文件 `iris_pca.txt` 中，每行包含两个特征值，用逗号分隔。代码首先读入数据集，然后随机初始化 K 个聚类中心。接着进行迭代计算，分配每个样本到距离最近的聚类中心所属的簇中，并更新每个簇的中心点。最后输出聚类结果，包括各样本的所属簇编号和各簇的聚类中心向量。注意，这里的聚类中心向量是二维的，因为我们使用 PCA 将原始四维数据压缩成了两维。