基于python利用kmeans算法进行聚类分析，不用sklearn

可以使用Python中的numpy库实现K-means算法进行聚类分析。下面是一个简单的实现：

import numpy as np
import random

def kmeans(X, k, max_iterations=100):
    """
    X: 输入数据，N * D 的矩阵，N 表示样本数量，D 表示特征数量
    k: 聚类数量
    max_iterations: 最大迭代次数
    return: 聚类中心和每个样本所属的类别
    """
    N, D = X.shape
    # 随机初始化聚类中心
    centers = np.array([X[random.randint(0, N-1)] for _ in range(k)])
    for i in range(max_iterations):
        # 计算每个样本到聚类中心的距离
        distances = np.linalg.norm(X[:, np.newaxis, :] - centers, axis=-1)
        # 将每个样本分配到距离最近的聚类中心
        labels = np.argmin(distances, axis=-1)
        # 更新聚类中心
        for j in range(k):
            centers[j] = np.mean(X[labels == j], axis=0)
    return centers, labels

使用方法：

import numpy as np

# 生成随机数据
X = np.random.rand(100, 2)
# 聚类数量
k = 3
# 聚类分析
centers, labels = kmeans(X, k)

其中，`centers`是聚类中心，`labels`是每个样本所属的类别。