用python实现：用pandas库读取csv文件，其中olgt列为起点经度，olat列为起点纬度，绘制样本点分布图，使用Kmeans对其进行聚类，并根据不同k值选择，通过轮廓系数、Calinski-Harabaz指数、肘部法则等评价其聚类效果。要求自行编写聚类函数，不调用包。

以下是Python代码实现：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt


# 读取CSV文件
data = pd.read_csv('data.csv')

# 获取起点经度和纬度
X = np.array(data[['olgt', 'olat']])

# 绘制样本点分布图
plt.scatter(X[:, 0], X[:, 1], s=50)
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()


# 自定义K-means聚类函数
def kmeans(X, k, max_iterations=100):
    # 随机选择k个初始质心
    indices = np.random.choice(len(X), size=k, replace=False)
    centers = X[indices]

    for i in range(max_iterations):
        # 计算每个点到各个质心的距离
        distances = np.linalg.norm(X[:, np.newaxis] - centers, axis=2)

        # 将每个点归为距离最近的质心所在的簇
        labels = np.argmin(distances, axis=1)

        # 计算每个簇的新质心
        new_centers = np.array([X[labels == j].mean(axis=0) for j in range(k)])

        # 如果新质心与旧质心相同，则退出循环
        if np.all(centers == new_centers):
            break

        centers = new_centers

    return centers, labels


# 定义轮廓系数函数
def silhouette_coefficient(X, labels):
    n = len(X)
    a = np.array([np.mean([np.linalg.norm(X[i] - X[j]) for j in range(n) if labels[j] == labels[i]]) for i in range(n)])
    b = np.array([np.min([np.mean([np.linalg.norm(X[i] - X[j]) for j in range(n) if labels[j] == k]) for k in set(labels) if k != labels[i]]) for i in range(n)])
    s = (b - a) / np.maximum(a, b)
    return np.mean(s)


# 定义Calinski-Harabasz指数函数
def calinski_harabasz(X, labels):
    n = len(X)
    k = len(set(labels))
    c = np.array([X[labels == i].mean(axis=0) for i in range(k)])
    ssw = sum([np.sum([np.linalg.norm(X[j] - c[i]) ** 2 for j in range(n) if labels[j] == i]) for i in range(k)])
    ssb = np.sum([np.sum([np.linalg.norm(c[i] - X.mean(axis=0)) ** 2 for i in range(k)]) for j in range(n)])
    ch = (ssb / (k - 1)) / (ssw / (n - k))
    return ch


# 使用Kmeans对数据进行聚类，并评价聚类效果
for k in range(2, 6):
    centers, labels = kmeans(X, k)
    s = silhouette_coefficient(X, labels)
    ch = calinski_harabasz(X, labels)
    print(f'K={k}, Silhouette Coefficient={s:.4f}, Calinski-Harabasz Index={ch:.4f}')

    # 绘制聚类结果
    plt.scatter(X[:, 0], X[:, 1], c=labels, s=50)
    plt.scatter(centers[:, 0], centers[:, 1], marker='*', s=200, c='black')
    plt.xlabel('Longitude')
    plt.ylabel('Latitude')
    plt.show()

注意，在运行代码之前，需要将CSV文件名修改为实际文件名。运行后，会先绘制样本点分布图，然后对数据进行Kmeans聚类，并输出不同K值下的轮廓系数和Calinski-Harabasz指数。最后，会绘制聚类结果图。