调用 matplotlib 的 scatter 函数将聚类后各样本以及聚类中心的可视化 输出（不同簇内的样本用不同的颜色表示）。（也可以调用其他第三方库进行样 本的可视化）

好的，以下是用 Python Matplotlib 库将聚类结果可视化的代码：

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

# 读取数据
data = pd.read_csv("iris_pca_self.csv")
X = data.values

# 初始化聚类中心
def init_centers(X, k):
    centers = random.sample(list(X), k)
    return np.array(centers)

# 计算样本到聚类中心的距离
def calc_distance(X, centers):
    distances = []
    for center in centers:
        distance = np.sqrt(np.sum((X - center) ** 2, axis=1))
        distances.append(distance)
    return np.array(distances).T

# Kmeans 聚类
def kmeans(X, k):
    centers = init_centers(X, k)
    # 迭代停止标志
    flag = True
    while flag:
        # 计算距离
        distances = calc_distance(X, centers)
        # 找到距离最近的聚类中心
        labels = np.argmin(distances, axis=1)
        # 更新聚类中心
        new_centers = []
        for i in range(k):
            new_center = np.mean(X[labels == i], axis=0)
            new_centers.append(new_center)
        # 判断是否收敛
        if np.sum(np.array(new_centers) - np.array(centers)) == 0:
            flag = False
        else:
            centers = new_centers
    return labels, centers

# 聚类结果
labels, centers = kmeans(X, 3)

# 可视化
plt.figure(figsize=(10, 8))
colors = ['r', 'g', 'b']
for i in range(3):
    plt.scatter(X[labels == i, 0], X[labels == i, 1], c=colors[i], label='Cluster %d' % i)
plt.scatter(centers[:, 0], centers[:, 1], marker='*', s=200, c='black', label='Centroids')
plt.legend()
plt.title('Kmeans Clustering')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.show()

在这个代码中，我们使用了 Matplotlib 的 scatter 函数将聚类后各样本以及聚类中心可视化。我们首先使用 `kmeans` 函数计算出聚类结果和聚类中心。接下来，我们使用 `plt.scatter()` 函数将不同簇内的样本用不同的颜色表示，并使用 `plt.scatter()` 函数将聚类中心用星形符号标记为黑色。最后，我们使用 `plt.legend()` 函数添加图例，并使用 `plt.title()`、`plt.xlabel()` 和 `plt.ylabel()` 函数添加标题和坐标轴标签。最终，我们使用 `plt.show()` 函数显示图形。

这个代码可以将聚类结果可视化。你可以根据自己的需要对其进行优化和改进。