灰色关联分析，Python实现GRA(gray relation analysis)

灰色关联分析法：
对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。

灰色关联分析，公式网上都有很多，计算也不难，这里就不写公式。

之所以称为关联，是因为他只反映哪一个指标和要对比的指标最有关系，而不反映相关性。
他和相关性系数，没有一毛钱关系，也不对等。最后得出来的系数，也只是做一个排序。
不反映相关性，不反映相关性，不反映相关性。

灰色关联分析，是根据因素之间发展趋势的相似或相异程度，即“灰色关联度”，作为衡量因素间关联程度的方法

特点：

1. 不需要自变量，参考变量服从正态分布，对样本数据没有要求，适合小样本数据。
2. 能够将自变量和参考变量的关联性大小排序，从而得到重要性排序的评价，本身的关联度没有实际意义，比如得出关联度为0.95，这个数字只用排序，并不能像相关性0.95一样得出他们高度正相关。
3. 缺点在于只能排序，不能得出确切的相关性，不属于相关性分析范畴，只归入综合评价方法里。

步骤：

1. 确定参考指标和比较指标，一般参考指标放最开始的位置。
2. 确定归一化（其实这里说归一化不太正确，但很多地方都说归一化，其实应该是消除量纲）方法，常见的有：

初值法	增益型：每一个指标除以这个指标的第一个（初值）。成本型：第一个值除以每一个指标的每个值
均值法	增益型：每一个指标除以这个指标的均值。成本型：均值除以每一个指标的每个值
区间变换法	增益型：（指标减去最小值）除以（最大值减最小值） 。成本型：（最大值减去指标）除以（最大值减最小值）
…	…

方法有很多，常见的就是初值和均值，增益型就是这个比较指标相对于参考指标越大越好，成本型就是越小越好，所以要把他们都转变成方向一致。

3. 这时候的矩阵已经没有了量纲的影响，再用每个要比较的指标减去参考指标，一般参考放第一行，就都减去第一行的数据。这个地方要取绝对值，不能有负数，得到的矩阵一般记做Δ（k）
4. 求两级最大差和最小差，即上面Δ(k)矩阵中的最大值，和最小值。记Δ(max)，Δ(min)
5. 得到关联系数矩阵：式子中的Δ(k)就是上面得到的绝对值后的矩阵
   
6. 最后对每一个指标的向量求均值。就是最终的结果

下面是Python代码

# 最下面写了三个函数分别为gain，cost,level_，用于无量纲化，被GRA调用

def GRA(df,normaliza="initial",level=None,r=0.5):
    '''
    df : 二维数据，这里用dataframe，每一行是一个评价指标，要对比的参考指标放在第一行
    normaliza ：["initial","mean"] 归一化方法，默认为初值，提供初值化或者均值化，其他方法自行编写
    level ：为None默认增益型， 
            可取增益型"gain"(越大越好),成本型"cost"(越小越好)，
            或者dataframe中的某一列，如level="level"，"level"是列名，这列中用数字1和0表示增益和成本型
    r ： [0-1] 分辨系数  
            越大，分辨率越大； 越小，分辨率越小，一般取0.5
    '''
    # 判断类型
    if not isinstance(df,pd.DataFrame):
        df = pd.DataFrame(df)
        
    # 判断参数输入
    if (normaliza not in ["initial","mean"]) or (r<0 or r>1):
        raise KeyError("参数输入类型错误")
    
        # 增益型的无量纲化方法
    if level == "gain" or level == None:
        df_ = gain(df,normaliza