乳腺癌数据集聚类分析代码，不使用sklearn

以下是一个简单的乳腺癌数据集的聚类分析代码，使用K-Means算法，不使用sklearn库。

注意：这个代码仅供参考，不一定是最优解决方案，也没有进行优化。

import numpy as np
import pandas as pd

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

# 删除无关列
data = data.drop(['id', 'diagnosis', 'Unnamed: 32'], axis=1)

# 归一化数据
data = (data - np.min(data)) / (np.max(data) - np.min(data)).values

# 定义K-Means函数
def k_means(data, k, max_iterations=100):
    # 随机初始化质心
    centroids = data[np.random.choice(len(data), k, replace=False)]
    for i in range(max_iterations):
        # 计算每个点到质心的距离
        distances = np.sqrt(((data - centroids[:, np.newaxis])**2).sum(axis=2))
        # 根据距离进行分类
        clusters = np.argmin(distances, axis=0)
        # 更新质心位置
        for j in range(k):
            centroids[j] = data[clusters == j].mean(axis=0)
    return clusters, centroids

# 调用K-Means函数进行聚类
clusters, centroids = k_means(data.values, 2)

# 输出聚类结果
print(clusters)

这个代码假设数据集文件名为 `breast_cancer_data.csv`，其中第一列为 id，第二列为诊断结果（B为良性，M为恶性），最后一列为无效列。代码将这三列删除，并将剩余列进行归一化处理。然后定义了一个 `k_means` 函数来实现K-Means算法。最后调用这个函数并输出聚类结果。

需要注意的是，这个代码只进行了二分聚类，即将所有数据点分为两类，而且质心的初始化是随机的，因此每次运行结果可能会有所不同。如果需要进行更多的聚类分类，可以修改 `k_means` 函数中的 `k` 参数。同时，还可以自行修改代码以满足自己的需求。