df = pd.read_csv("/content/drive/MyDrive/iris.csv")

x_cluster = df.sample(frac=1).copy()
x_train = x_cluster.iloc[:,[0,1,2,3]].to_numpy()
y_train = x_cluster.species.to_numpy()

def euclidean_metric(a, b):
  return (sum((a - b)**2))**(0.5)

def average_distance(centers):
  distance = 0
  for i in range(len(centers)-1):
    for j in range(i+1,len(centers)):
      distance += euclidean_metric(x_train[centers[i]] , x_train[centers[j]])
  return distance / len(centers)

# Инициализация массива центров
centers = []
# Множество индексов точек
points = set(range(x_train.shape[0]))
# Добавление случайно выбранной точки в качестве первого центра
centers.append(np.random.choice(x_train.shape[0], 1)[0])
# Удаление первого центра из множества точек
points.remove(centers[0])
# Инициализация порогового значения T и флага добавления новых центров
T = -1
add_new_center = True

# Пока есть необработанные точки
while add_new_center:
    # Инициализация min_max
    min_max = (-1,-1)

    # Для каждой точки в множестве points
    for point in points:
        # Расчет расстояний до всех центров
        distance = [euclidean_metric(x_train[point] ,x_train[center]) for  center in centers]
        # Нахождение индекса ближайшего центра
        center_for_points = np.argmin(distance)

        # Если расстояние до ближайшего центра максимальное
        if min_max[1] < distance[center_for_points]:
            # Обновление min_max
            min_max = (point,distance[center_for_points])

    # Если расстояние до ближайшего центра максимальное и превышает порог T
    if min_max[1] > T:
        # Добавление нового центра
        centers.append(point)
        # Удаление добавленного центра из множества points
        points.remove(point)
        # Продолжение поиска новых центров
        add_new_center = True
    else:
        # Завершение поиска новых центров
        add_new_center = False
    # Обновление порогового значения T
    T = average_distance(centers)

# Распределение точек по кластерам
answer = [ [] for x in centers]
for point in points:
    center_ = np.argmin([euclidean_metric(x_train[point] ,x_train[center]) for  center in centers])
    answer[center_].append(y_train[point])

answer