python实现k-means算法使用Iris数据集简单版，不用外模块或者调用包

Python实现K-Means算法通常会用到`numpy`库来进行数值计算，而`sklearn`库提供了方便的数据处理和模型评估功能。不过，如果你想要一个不依赖外部库的简单版本，我们可以手写一些基本函数。首先，你需要了解Iris数据集的基本结构，它是一个包含4个特征和3种花卉类型的经典数据集。

以下是一个简单的K-Means算法实现，仅用于Iris数据集：

import numpy as np

# 假设我们已经有了预处理后的Iris数据，保存在iris_data变量里，每行代表一个样本，每列是4个特征
# 可能需要手动划分训练集和测试集，这里省略了这部分

class KMeans:
    def __init__(self, k=3):  # 初始化，设定聚类数
        self.k = k
        self.centroids = None

    def initialize_centroids(self, data):
        # 随机选择初始质心
        idxs = np.random.choice(range(data.shape[0]), size=self.k, replace=False)
        self.centroids = data[idxs]

    def assign_clusters(self, data):
        # 计算每个样本到各个质心的距离，找到最近的一个
        distances = np.linalg.norm(data[:, np.newaxis] - self.centroids, axis=-1)
        return np.argmin(distances, axis=1)

    def update_centroids(self, data, assignments):
        new_centroids = []
        for i in range(self.k):
            cluster_samples = data[assignments == i]
            if not cluster_samples.any():
                continue  # 如果某个簇为空，则更新为随机点
            new_centroids.append(np.mean(cluster_samples, axis=0))
        self.centroids = np.array(new_centroids)

    def fit(self, data):
        self.initialize_centroids(data)
        while True:
            assignments = self.assign_clusters(data)
            self.update_centroids(data, assignments)
            if np.allclose(self.centroids, self.prev_centroids):  # 判断是否收敛
                break
            self.prev_centroids = self.centroids.copy()

def run_kmeans(iris_data, num_iterations=100):
    kmeans = KMeans(k=3)  # 假设我们有3种类别
    kmeans.fit(iris_data, num_iterations)
    clusters = kmeans.assign_clusters(iris_data)
    return clusters

# 使用方法：
# clusters = run_kmeans(iris_data)

这个例子中，我们假设已经有一个预处理过的Iris数据`iris_data`。注意，这个实现并没有包括距离计算、停止条件判断等优化细节，只是一个基础版的K-Means。在实际项目中，你可能会希望使用更完善的库如`scikit-learn`来简化流程。