目錄

1.簡(jiǎn)介

2.算法原理

2.1 指標(biāo)正向化

2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

2.3 計(jì)算主觀權(quán)重

2.4 計(jì)算客觀權(quán)重

2.5 計(jì)算組合權(quán)重

2.6 計(jì)算的得分

3.實(shí)例分析

3.1 讀取數(shù)據(jù)

3.2 指標(biāo)正向化

3.3 數(shù)據(jù)范圍標(biāo)準(zhǔn)化

3.4 計(jì)算主觀權(quán)重

3.5 計(jì)算客觀權(quán)重

3.6 計(jì)算組合權(quán)重

3.7 計(jì)算得分

完整代碼

---

1.簡(jiǎn)介

????????主觀賦權(quán)法（AHP）在根據(jù)決策者意圖確定權(quán)重方面比客觀賦權(quán)法（熵權(quán)法）具有更大的優(yōu)勢(shì)，但客觀性相對(duì)較差，主觀性相對(duì)較強(qiáng)；

????????而采用客觀賦權(quán)法有著客觀優(yōu)勢(shì)，但不能反映出參與決策者對(duì)不同指標(biāo)重視程度，并且會(huì)有一定的權(quán)重和與實(shí)際指標(biāo)相反的程度。

????????針對(duì)主客觀賦權(quán)方法的優(yōu)缺點(diǎn)，我們還力求將主觀隨機(jī)性控制在一定范圍內(nèi)，實(shí)現(xiàn)主客觀賦權(quán)中的中正?？陀^方面。指標(biāo)賦權(quán)公正，實(shí)現(xiàn)了主客觀內(nèi)在統(tǒng)一，評(píng)價(jià)結(jié)果真實(shí)、科學(xué)、可信。

????????因此，在對(duì)指標(biāo)進(jìn)行權(quán)重分配時(shí)，應(yīng)考慮指標(biāo)數(shù)據(jù)之間的內(nèi)在統(tǒng)計(jì)規(guī)律和權(quán)威值。給出了合理的決策指標(biāo)賦權(quán)方法，即采用主觀賦權(quán)法（AHP）和客觀賦權(quán)法（熵權(quán)法）相結(jié)合的組合賦權(quán)方法，以彌補(bǔ)單一賦權(quán)帶來(lái)的不足。將兩種賦權(quán)方法相結(jié)合的加權(quán)方法稱為組合賦權(quán)法。

注意：本文所介紹的組合權(quán)重法請(qǐng)大家結(jié)合實(shí)際情況慎重使用，因?yàn)檫@個(gè)方法不太好

2.算法原理

2.1 指標(biāo)正向化

這個(gè)步驟視情況自己決定把。。。。

????????不同的指標(biāo)代表含義不一樣，有的指標(biāo)越大越好，稱為越大越優(yōu)型指標(biāo)。有的指標(biāo)越小越好，稱為越小越優(yōu)型指標(biāo)，而有些指標(biāo)在某個(gè)點(diǎn)是最好的，稱為某點(diǎn)最優(yōu)型指標(biāo)。為方便評(píng)價(jià)，應(yīng)把所有指標(biāo)轉(zhuǎn)化成越大越優(yōu)型指標(biāo)。

設(shè)有m個(gè)待評(píng)對(duì)象，n個(gè)評(píng)價(jià)指標(biāo)，可以構(gòu)成數(shù)據(jù)矩陣?

設(shè)數(shù)據(jù)矩陣內(nèi)元素，經(jīng)過(guò)指標(biāo)正向化處理過(guò)后的元素為? (Xij)'

• 越小越優(yōu)型指標(biāo)：C,D屬于此類指標(biāo)

其他處理方法也可，只要指標(biāo)性質(zhì)不變即可

• 某點(diǎn)最優(yōu)型指標(biāo)：E屬于此類指標(biāo)

????????設(shè)最優(yōu)點(diǎn)為a, 當(dāng)a=90時(shí)E最優(yōu)。

? ? ? ? ??其他處理方法也可，只要指標(biāo)性質(zhì)不變即可

• 越大越優(yōu)型指標(biāo)：其余所有指標(biāo)屬于此類指標(biāo)

? ?此類指標(biāo)可以不用處理，想要處理也可，只要指標(biāo)性質(zhì)不變

2.2 數(shù)據(jù)標(biāo)準(zhǔn)化

?因?yàn)槊總€(gè)指標(biāo)的數(shù)量級(jí)不一樣，需要把它們化到同一個(gè)范圍內(nèi)再比較。標(biāo)準(zhǔn)化的方法比較多，這里僅用最大最小值標(biāo)準(zhǔn)化方法。

????????設(shè)標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣元素為rij,由上可得指標(biāo)正向化后數(shù)據(jù)矩陣元素為?(Xij)'

2.3 計(jì)算主觀權(quán)重

• 得到最大特征值對(duì)應(yīng)特征向量

• 得到權(quán)重向量

2.4 計(jì)算客觀權(quán)重

• 計(jì)算信息熵

• 得到權(quán)重

2.5 計(jì)算組合權(quán)重

主客觀組合權(quán)重是：指標(biāo)的綜合權(quán)數(shù)?Wj ：

αj?——層次分析法計(jì)算所得的權(quán)重
βj ?——熵值法計(jì)算所得權(quán)重

層次分析法
熵值法

2.6 計(jì)算的得分

3.實(shí)例分析

3.1 讀取數(shù)據(jù)

data = pd.read_excel('D:\桌面\zuhefuquan.xlsx') # print(data) label_need=data.keys()[1:]#提取變量名 # print(label_need) data1=data[label_need].values #只提取數(shù)據(jù) print(data1)

返回：

3.2 指標(biāo)正向化

本實(shí)例中P1、P3屬于此類指標(biāo)

因此負(fù)向指標(biāo)正向化：

#越小越優(yōu)指標(biāo)位置,注意python是從0開始計(jì)數(shù)，對(duì)應(yīng)位置也要相應(yīng)減1 data2 = data1 index=[1,3] for i in range(0,len(index)):data2[:,index[i]]=max(data1[:,index[i]])-data1[:,index[i]] print(data2)

返回：

在對(duì)剩余正向指標(biāo)數(shù)據(jù)可以不做處理

3.3 數(shù)據(jù)范圍標(biāo)準(zhǔn)化

為什么不做0，1的標(biāo)準(zhǔn)化呢，因?yàn)橐粯?biāo)準(zhǔn)化有不少數(shù)據(jù)變成了0，對(duì)結(jié)果起到副作用

#0.002~1區(qū)間歸一化 [m,n]=data2.shape #查看行數(shù)和列數(shù) data3=data2 ymin=0.002 ymax=1 for j in range(0,n):d_max=max(data2[:,j])d_min=min(data2[:,j])data3[:,j]=(ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)+ymin print(data3)

返回：

3.4 計(jì)算主觀權(quán)重

#求特征值和特征向量 V,D = np.linalg.eig(data3) # print('特征值：') # print(V) # print('特征向量：') # print(D) #最大特征值 tzz = np.max(V) # print(tzz) #最大特征向量 k=[i for i in range(len(V)) if V[i] == np.max(V)] tzx = -D[:,k] # print(tzx) # #賦權(quán)重 quan=np.zeros((n,1)) for i in range(0,n):quan[i]=tzx[i]/np.sum(tzx) a=quan.T print(a)

返回：

3.5 計(jì)算客觀權(quán)重

#計(jì)算信息熵 p=data3 for j in range(0,n):p[:,j]=data3[:,j]/sum(data3[:,j]) # print(p) E=data3[0,:] for j in range(0,n):E[j]=-1/np.log(m)*sum(p[:,j]*np.log(p[:,j])) # print(E) # 計(jì)算權(quán)重 b=(1-E)/sum(1-E) print(b)

返回：

3.6 計(jì)算組合權(quán)重

#計(jì)算組合權(quán)重 w=b sum=0 for i in range(n):sum = sum + np.sqrt(a[i]*b[i]) # print(sum) for i in range(n):w[i] = np.sqrt(a[i]*b[i])/sum print(w)

返回：

3.7 計(jì)算得分

#計(jì)算得分 s=np.dot(data3,w) Score=100*s/max(s) for i in range(0,len(Score)):print(f"方案{i}百分制評(píng)分為：：{Score[i]}")

返回：

完整代碼

#導(dǎo)入相關(guān)庫(kù) import pandas as pd import numpy as np #讀取數(shù)據(jù) data = pd.read_excel('D:\桌面\zuhefuquan.xlsx') # print(data) label_need=data.keys()[1:]#提取變量名 # print(label_need) data1=data[label_need].values #只提取數(shù)據(jù) print(data1)#越小越優(yōu)指標(biāo)位置,注意python是從0開始計(jì)數(shù)，對(duì)應(yīng)位置也要相應(yīng)減1 data2 = data1 index=[1,3] for i in range(0,len(index)):data2[:,index[i]]=max(data1[:,index[i]])-data1[:,index[i]] print(data2)#0.002~1區(qū)間歸一化 [m,n]=data2.shape #查看行數(shù)和列數(shù) data3=data2 ymin=0.002 ymax=1 for j in range(0,n):d_max=max(data2[:,j])d_min=min(data2[:,j])data3[:,j]=(ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)+ymin print(data3)#求特征值和特征向量 V,D = np.linalg.eig(data3) # print('特征值：') # print(V) # print('特征向量：') # print(D) #最大特征值 tzz = np.max(V) # print(tzz) #最大特征向量 k=[i for i in range(len(V)) if V[i] == np.max(V)] tzx = -D[:,k] # print(tzx) # #賦權(quán)重 quan=np.zeros((n,1)) for i in range(0,n):quan[i]=tzx[i]/np.sum(tzx) a=quan.T print(a)#計(jì)算信息熵 p=data3 for j in range(0,n):p[:,j]=data3[:,j]/sum(data3[:,j]) # print(p) E=data3[0,:] for j in range(0,n):E[j]=-1/np.log(m)*sum(p[:,j]*np.log(p[:,j])) # print(E) # 計(jì)算權(quán)重 b=(1-E)/sum(1-E) print(b)#計(jì)算組合權(quán)重 w=b sum=0 for i in range(n):sum = sum + np.sqrt(a[i]*b[i]) # print(sum) for i in range(n):w[i] = np.sqrt(a[i]*b[i])/sum print(w)#計(jì)算得分 s=np.dot(data3,w) Score=100*s/max(s) for i in range(0,len(Score)):print(f"方案{i}百分制評(píng)分為：：{Score[i]}")

總結(jié)

以上是生活随笔為你收集整理的组合赋权法之python的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。