调入load_iris进行PCA降维并用代码实现Kmeans算法（不能调入kmeans库），并通过可视化显示折线图，将上述要求用python代码实现并给出注释

以下是用Python实现PCA降维和手写Kmeans聚类的代码，以及可视化显示折线图的代码和注释：

# 导入需要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA

# 加载Iris数据集
iris = load_iris()
X = iris.data
y = iris.target

# 对数据进行PCA降维
pca = PCA(n_components=2)   # 降至2维
X_pca = pca.fit_transform(X)

# 定义手写Kmeans算法
class KMeans:
    def __init__(self, n_clusters):
        self.n_clusters = n_clusters
        
    def fit(self, X):
        self.centroids = X[np.random.choice(X.shape[0], self.n_clusters, replace=False)]
        while True:
            labels = self.predict(X)
            new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(self.n_clusters)])
            if np.allclose(new_centroids, self.centroids):
                break
            self.centroids = new_centroids
            
    def predict(self, X):
        return np.argmin(np.sum((X[:, None] - self.centroids) ** 2, axis=-1), axis=-1)

# 使用手写KMeans算法进行聚类
kmeans = KMeans(n_clusters=3)
kmeans.fit(X_pca)
labels = kmeans.predict(X_pca)

# 可视化显示折线图
x_min, x_max = X_pca[:, 0].min() - 1, X_pca[:, 0].max() + 1
y_min, y_max = X_pca[:, 1].min() - 1, X_pca[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1),
                     np.arange(y_min, y_max, 0.1))
Z = kmeans.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.figure(figsize=(10, 8))
plt.contourf(xx, yy, Z, alpha=0.4)
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=labels, s=20, cmap='viridis')
plt.xlabel('PCA1')
plt.ylabel('PCA2')
plt.title('KMeans Clustering with Iris Dataset')
plt.show()

注释：

1. 导入需要的库：numpy（数据处理）、matplotlib（画图）、load_iris（加载Iris数据集）和PCA（PCA降维）。
2. 加载Iris数据集，将数据存储在X中。
3. 创建PCA对象，将数据降至2维。
4. 使用PCA对象对数据进行降维。
5. 定义手写KMeans算法。
6. 创建KMeans对象，将数据聚类为3类。
7. 使用手写KMeans对象对数据进行聚类。
8. 定义折线图的范围。
9. 创建网格，预测每个网格点的聚类标签。
10. 将预测结果可视化显示为等高线图。
11. 将聚类结果可视化显示为散点图。
12. 添加横轴标签、纵轴标签和标题。
13. 显示可视化结果。