CRITIC算法（权重确定一）

        CRITIC算法将数据稳定性作为一种数据，选定的指标也是有一定的联系的。

        CRITIC权重确定算法是一种基于数据波动性（对比强度）和相关性（冲突性）的客观赋权法，因为数据波动性和相关性都是数据的信息，可以拿来计算权重。

        对比强度其实跟数据的离散程度相似，跟集中情况相似，可以使用标准差表示，标准差越大说明波动越强（因为它所能提供的信息量也就越大，应该给该指标分配更多的权重），权重越大；

        而冲突性便是使用相关系数表示，相关系数越大，说明关系越紧密（说明它所提供的信息与其他指标的信息有较大的相似性，存在信息上的重叠，因此应该减少对该指标分配的权重），冲突性越小，权重越小。

一、实现步骤

数据为n个长度为m的指标：

1.1  标准化（Min-Max Scaling） 

        数据标准化，也称为归一化，是将不同的数据按照一定的规则进行转换，使其具有相同的标准和范围，便于数据的比较和分析。

        正向指标是指其数值越大，表示情况越好或越符合某种期望的指标。通常用于衡量积极的结果或性能。

        逆向指标是指其数值越小，表示情况越好或越符合某种期望的指标。用于衡量需要减少或避免的结果或性能。 

1.1.1   正向指标

                                                         

        max和min是当前列中的最大最小值。下面同是。 

1.1.2   逆向指标 

                                                         

 1.2   信息承载量（信息量）

        信息量被用来确定各个指标的权重。权重的大小反映了指标在评价体系中的重要程度 。

1.2.1   对比强度（标准差）

        具体公式都知道，便不给出，使用np.std可以算。 

1.2.2   冲突性（相关系数）

        

        计算得到的是相关系数矩阵，下面是计算每个指标的冲突性

1.2.3   信息量

        信息量=对比强度*冲突性 

1.3   权重计算 

        每个指标的信息承载量除以信息承载量的总和，得到每个指标的客观权重。 

二、代码案例 

import pandas as pd
import numpy as np
#导入数据
data=pd.read_excel('问卷数据.xlsx')

#数据正向化标准化处理
label_need=data.keys()[0:9]
data1=data[label_need].values
data2=data1.copy()
[m,n]=data2.shape
index_all=np.arange(n)
index=[2]#负向指标位置,注意python是从0开始计数;对应位置也要相应减1

#负向指标位置
for j in index:
    d_max=max(data1[:,j])
    d_min=min(data1[:,j])
    data2[:,j]=(d_max-data1[:,j])/(d_max-d_min)

#正向指标位置
index=np.delete(index_all,index)
for j in index:
    d_max=max(data1[:,j])
    d_min=min(data1[:,j])
    data2[:,j]=(data1[:,j]-d_min)/(d_max-d_min)

#变异性
the=np.std(data2,axis=0)
print("指标变异性:",the)
data3=data2.copy()

#冲突性
data3=list(map(list,zip(*data2)))#矩阵转置  9*781
r=np.corrcoef(data3)#求相关系数  9*781

f=np.sum(1-r,axis=1)   #9*1
print("指标冲突性：",f)

#信息承载量
c=the*f
print("信息量：",c)

w=c/sum(c)#计算权重
print("客观权重：",w)

         应用到的数据如下，包括九个指标，有781个数据。

        最后得到变异性（对比强度），信息量以及权重。

 

        最后附一张从其它地方整过来的无量纲化处理总结，我自己偷摸看。