不用sklearn库

如果你想不用scikit-learn（sklearn）库来实现MDS降维，你可以选择使用纯Python的numpy库以及matplotlib来进行可视化。下面是一个简单的例子：

首先，你需要安装pandas库来加载数据，如果你还没有安装，可以使用pip命令：

pip install pandas

然后，假设你已经有一个名为`data.csv`的文件，其中包含Iris数据集，你可以这样做：

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist, squareform

# 从csv文件加载数据
df = pd.read_csv('data.csv')

# 提取特征数据
X = df.values

# 计算样本之间的距离矩阵
dist_matrix = pdist(X)

# 转换为方阵
dist_matrix = squareform(dist_matrix)

# 初始化MDS对象
mds = MDS(n_components=2, dissimilarity="precomputed")  # 对于距离矩阵，设置dissimilarity为预计算的

# 进行降维
embedding = mds.fit_transform(dist_matrix)

# 可视化降维结果
plt.scatter(embedding[:, 0], embedding[:, 1])
plt.title("Iris dataset MDS")
plt.xlabel("First Dimension")
plt.ylabel("Second Dimension")
plt.show()

注意：这个例子中我们手动计算了样本间距离矩阵，这是因为sklearn的MDS默认接受的是样本直接而不是距离矩阵。在sklearn中，由于内置了距离矩阵的处理，过程更简洁。