不得直接调用 sklearn 或其他库中的 Kmeans 或类似的类和函数

好的，那么我们可以手动实现KMeans算法来对数据进行聚类。以下是KMeans算法的基本流程：

1. 从样本中随机选择k个点作为聚类中心。
2. 对于每个样本，计算其与各个聚类中心的距离，将其划分到距离最近的聚类中心所在的簇。
3. 对于每个簇，重新计算其簇中心。
4. 重复步骤2和3，直到簇中心不再发生变化或达到最大迭代次数。

我们可以按照这个流程来实现KMeans算法。下面是代码实现：

import numpy as np
import pandas as pd

# 读取数据
data = pd.read_csv('iris_pca_self.csv', header=None, names=['x', 'y', 'label'])

# 获取特征向量
X = data.iloc[:, :-1].values

# 定义聚类数量
k = 3

# 随机初始化聚类中心
centers = X[np.random.choice(X.shape[0], k, replace=False), :]

# 定义最大迭代次数和收敛阈值
max_iter = 300
tol = 1e-4

# 初始化簇分配和簇中心变化的标志
cluster_assignments = np.zeros(X.shape[0])
center_movements = np.ones(k)

# 迭代聚类过程
for i in range(max_iter):
    # 计算每个样本到各个聚类中心的距离
    distances = np.sqrt(((X - centers[:, np.newaxis])**2).sum(axis=2))
    
    # 将样本划分到距离最近的聚类中心所在的簇
    new_assignments = np.argmin(distances, axis=0)
    
    # 判断簇分配是否发生变化
    if np.all(cluster_assignments == new_assignments):
        break
    
    # 更新簇分配
    cluster_assignments = new_assignments
    
    # 更新聚类中心
    for j in range(k):
        if np.sum(cluster_assignments == j) == 0:
            # 如果有一个簇为空，则随机选择一个样本作为聚类中心
            centers[j] = X[np.random.choice(X.shape[0], 1), :]
        else:
            centers[j] = np.mean(X[cluster_assignments == j], axis=0)
    
    # 判断聚类中心是否发生变化
    center_movements = np.sqrt(((centers - old_centers)**2).sum(axis=1))
    if np.all(center_movements < tol):
        break
    
    # 保存上一次的聚类中心
    old_centers = centers.copy()

# 将聚类标签添加到数据集中
data['cluster'] = cluster_assignments

# 保存到新的CSV文件中
data.to_csv('iris_kmeans_result.csv', index=False)

需要注意的是，手动实现KMeans算法需要进行多次迭代，因此可能会比库函数的计算速度慢一些。但是这个实现可以更好地理解KMeans算法的原理和流程。