读取iris_pca_self.csv中的数据，自编代码实现 鸢尾花Kmeans 聚类，不得直接调用 sklearn 或其他库中的 Kmeans 或类似的类和函数

好的，以下是用 Python 实现鸢尾花 Kmeans 聚类的代码。注意，这个代码只是一个简单的示例，如果要使用更复杂的数据集，还需要进行更多的优化和改进。

import numpy as np
import pandas as pd
import random

# 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(new_centers - centers) == 0:
            flag = False
        else:
            centers = new_centers
    return labels

# 聚类结果
labels = kmeans(X, 3)
print(labels)

在这个代码中，我们首先读取了 iris_pca_self.csv 文件中的数据，并将其存储在一个 NumPy 数组中。然后，我们使用随机选择的方法初始化聚类中心，并计算所有样本到聚类中心的距离。接着，我们找到距离每个样本最近的聚类中心，并将其分配到相应的聚类中心中。接下来，我们使用新的聚类中心更新聚类中心，并检查是否收敛。如果没有收敛，则继续迭代，否则退出循环，返回聚类结果。最后，我们打印聚类结果。

请注意，这个代码并不是最优的，但它可以作为学习 Kmeans 聚类的入门代码。你可以根据自己的需要对其进行优化和改进。