数学建模 TOPSIS-优劣解距离法python代码（简单示例）

最新推荐文章于 2023-12-29 10:00:00 发布

411十一

最新推荐文章于 2023-12-29 10:00:00 发布

阅读量562

点赞数 2

文章标签：算法数学建模 python

本文链接：https://blog.csdn.net/Q2102353541/article/details/120729074

版权

首先我们需要知道的是TOPSIS的基本算法和公式，在这里我不做详细介绍，大家可以到专业书籍上查找关于TOPSIS原理的具体介绍和推导过程
我总结的TOPSIS算法过程为
1.数据引入
2.数据类型判断
3.数据标准化处理
4.数据赋权处理
5.寻找正理想解和负理想解（即每列项最大值和每项最小值）
6.分别计算每项数据与正理想解和负理想解的距离
7.用与负理想解的距离除以数据到正、负理想解的距离算出最终的评价标准值
8.根据评价标准值排序

如下所示是我们的测试数据：以“优劣解距离法_测试数据.xlsx”命名

（注：相关的代码和数据在文章最后会给出链接）

代码如下：

import pandas as pd
data = pd.read_excel(r'优劣解距离法_测试数据.xlsx')
print(data.shape[0])
print(data.shape[1])
# print(data.loc[0][0])
print(data)
print('max',data['效益型'].max())
#数据处理：
#标准0-1变换：

#1.效益型：
max = data['效益型'].max()
min = data['效益型'].min()
for i in range(data.shape[0]):
    data.loc[i,'效益型'] = (data.loc[i][0]-min)/(max-min)
print(data)

#2.成本型：
max = data['成本型'].max()
min = data['成本型'].min()
for i in range(data.shape[0]):
    data.loc[i,'成本型'] = (max-data.loc[i][1])/(max-min)
print(data)

#3.区间型
#最佳区间长度：[5,6]
perfect_lowwer = 5
perfect_upper = 6
#可容忍区间长度[2,12]
unbearable_lowwer = 2
unbearable_upper = 12
for i in range(data.shape[0]):
    if data.loc[i][2]  >=unbearable_lowwer and data.loc[i][2]<perfect_lowwer:
        data.loc[i,'区间型'] = 1-((perfect_lowwer-data.loc[i][2])/(perfect_lowwer-unbearable_lowwer))
    elif data.loc[i][2]>=perfect_lowwer and data.loc[i][2]<=perfect_upper:
        data.loc[i,'区间型'] = 1
    elif data.loc[i][2]>=perfect_upper and data.loc[i][2]<=unbearable_upper:
        data.loc[i,'区间型'] = 1-((data.loc[i][2]-perfect_upper)/(unbearable_upper-perfect_upper))
    else:
        data.loc[i,'区间型'] = 0
print(data)

#接下来给各个判断标准赋上权重值，比如我们这里以[0.2,0.5,0.3]作为我们的权重值
for i in range(data.shape[0]):
    data.loc[i,'效益型'] = 0.2*data.iloc[i]['效益型']
    data.loc[i,'成本型'] = 0.5*data.iloc[i]['成本型']
    data.loc[i,'区间型'] = 0.3*data.iloc[i]['区间型']
print(data)
#至此，数据处理基本完成

#计算正理想解和负理想解
max_0 = data['效益型'].max()
max_1 = data['成本型'].max()
max_2 = data['区间型'].max()
min_0 = data['效益型'].min()
min_1 = data['成本型'].min()
min_2 = data['区间型'].min()

#更新为每一项与正理想解，负理想解之间的距离
s_positive = []
s_negative = []
for i in range(data.shape[0]):
    s_positive.append(((data.loc[i][0]-max_0)**2 + (data.loc[i][1]-max_1)**2 + (data.loc[i][2]-max_2)**2)**0.5)
for i in range(data.shape[0]):
    s_negative.append(((data.loc[i][0] - min_0) ** 2 + (data.loc[i][1] - min_1) ** 2 + (data.loc[i][2] - min_2) ** 2) ** 0.5)

#计算最总评价值judge_list
judge_list = []
for i in range(data.shape[0]):
    judge_list.append(s_negative[i]/(s_negative[i]+s_positive[i]))
print(judge_list)
index_list=[i[0] for i in sorted(enumerate(judge_list), key=lambda x:x[1])] #根据f数值大小对f的索引进行排序
print(index_list)  #得到最终结果

代码及数据文件如下

链接：https://pan.baidu.com/s/1Sewq56NZyubd5-QnvYPj_w
提取码：mv28
--来自百度网盘超级会员V2的分享