层次分析法运用python完成

使用Python可以很好地完成复杂的层次分析法（AHP）计算和分析。以下是使用Python进行AHP的一般步骤：

1. 安装所需的Python库：首先，确保你已经安装了NumPy和SciPy这两个常用的科学计算库。你可以使用pip命令来安装它们。

2. 构建对比矩阵：使用NumPy库创建对比矩阵，该矩阵表示决策层次结构中各个准则和选择之间的相对重要性。可以手动输入矩阵元素或从用户获取输入。

3. 进行一致性检验：计算对比矩阵的一致性，以确保所输入的判断是合理且一致的。可以使用AHP中的一致性指标，如一致性比率（Consistency Ratio），来进行检验。

4. 计算权重向量：使用特征值法或其他相关方法，通过对比矩阵的特征向量计算各个准则和选择的权重。这将得出一个权重向量，表示各个元素的相对重要性。

5. 进行一致性检验（可选）：对计算得到的权重向量进行一致性检验，以确保权重计算的结果是合理的。

6. 进行决策分析：根据得到的权重向量，进行决策分析和比较。你可以使用这些权重来评估不同选择的优劣，并做出决策。

在Python中，你可以使用NumPy库进行矩阵操作和线性代数计算，使用SciPy库来计算特征值和一致性比率等指标。另外，你还可以使用Pandas库进行数据处理和分析，以及使用可视化库如Matplotlib或Seaborn来呈现结果。

import numpy as np
from scipy.linalg import eig

# 构建对比矩阵
comparison_matrix = np.array([[1, 3, 5],
                              [1/3, 1, 3],
                              [1/5, 1/3, 1]])

# 计算权重向量
eigenvalues, eigenvectors = eig(comparison_matrix)
weights = np.real_if_close(eigenvectors[:, 0] / np.sum(eigenvectors[:, 0]))

# 进行一致性检验
n = comparison_matrix.shape[0]
lambda_max = np.real_if_close(np.max(eigenvalues))
consistency_index = (lambda_max - n) / (n - 1)
random_index = np.array([0.58, 0.90, 1.12])  # 随机一致性指标表
consistency_ratio = consistency_index / random_index[n - 1]

# 打印结果
print("权重向量：", weights)
print("一致性比率：", consistency_ratio)

# 进行决策分析
# 根据权重向量对不同选择进行比较和评估
# 进行决策或排序等操作