原文:https://mp.weixin.qq.com/s/J9fZQ8T9TR1Ed7taPGYYjw
1 TOPSIS简介
有关综合评价的方法有多种, 根据赋权方法不同主要有两类:一类是主观赋值法, 如指数法、层次分析法、模糊综合评价法等;另一类是客观赋值法, 如因子分析法、TOPSIS 法、人工神经网络法等。
本文主要介绍 TOPSIS 法。TOPSIS
( Technique for Order Preference by Similarity to an Ideal Solution) 法, 即理想解法, 由 C.L.Hwang 和 K.Yoon 于 1981 年首次提出, 可用于效益评价、决策、管理等多个领域。
该方法根据各测评对象与理想目标的接近程度进行排序,在现有研究对象中进行相对优劣评价。
其基本原理是通过测度各评价对象与最优解、最劣解的距离来进行排序, 若评价对象最靠近最优解同时又最远离最劣解,则为最优;否则不是最优。
TOPSIS 法的主要评价步骤(极大型指标)如下:
![](https://i-blog.csdnimg.cn/blog_migrate/86f556656562469f818ed3a851d78daf.png)
根据接近程度大小即 C i ( 0 < = C i < = 1 ) C_i(0<=C_i<=1) Ci(0<=Ci<=1)的大小进行排序, C i C_i Ci值越大,表明评价单元越接近理想状态, 评价结果越好。
也可以根据公式得出,当 S i + S_i^+ Si+越大时, Z i j Z_{ij} Zij越接近最大值。
该方法对数据分布及样本含量没有严格限制,数据计算简单易行。
针对上述步骤中,在得到指标矩阵时,还需根据目标进行指标正向化,然后再归一化处理。接下来具体讲解指标正向化。
2 指标正向化方法
![](https://i-blog.csdnimg.cn/blog_migrate/078ebb008207f2b06a537d98a41d699c.png)
1)极大型指标
越高(大)越好,这样的指标称为极大型指标(效益型指标)。
x = x − x m i n x m a x − x m i n x=\frac{x-x_{min}}{x_{max}-x_{min}} x=xmax−xminx−xmin
如学习成绩:
![](https://i-blog.csdnimg.cn/blog_migrate/8ae664f1d28a7be68149b13a41400dc9.png)
2)极小型指标
越少(越小)越好,这样的指标称为极小型指标(成本型指标)。
对于这类指标,正常是转为将所有的指标转化为极大型指标,即指标正向化。
极小型指标转换为极大型指标的公式:
x m a x − x x_{max}-x xmax−x
如果所有极小型指标的数据都为整数,那么也可以用如下公式进行转换:
1 x \frac{1}{x} x1
下图显示了将“与人争吵的次数”这一极小型指标转化为极大型指标的结果:
![](https://i-blog.csdnimg.cn/blog_migrate/6e96a80328ab1e6063741b1aeb46531e.png)
3)中间型指标
中间型指标的特点:指标的值既不要太大也不要太小,取某个特定的值最好。
做法也是转化为极大型指标。
设 { x i } \{x_i\} {xi}是一组中间型指标序列,且最佳数值为 x b e s t x_{best} xbest,则正向化公式:
M = max { x i − x b e s t } , x i ~ = 1 − ∣ x i − x b e s t ∣ M M=\max\{x_i-x_{best}\},\tilde{x_i}=1-\frac{|x_i-x_{best}|}{M} M=max{xi−xbest},xi~=1−M∣xi−xbest∣
例如: 水质量评估 PH 值指标正向化,PH值取7时水质最好:
![](https://i-blog.csdnimg.cn/blog_migrate/32f471e5a7b104145c71007466476453.png)
4)区间型指标
区间型指标:指标落在某个区间内最好。
设 x i {x_i} xi是一组区间型指标序列,且最佳的区间为[a,b],那么正向化的公式如下:
![](https://i-blog.csdnimg.cn/blog_migrate/cfac74bbbbe6274e615fdd691645de05.png)
例如: 例如人的体温在36摄氏度~37摄氏度这个区间内最好:
![](https://i-blog.csdnimg.cn/blog_migrate/1d3a71c70c788a659764292d00eb49cf.png)
3 python实现
TOPSIS一般结合熵权法使用。
import pandas as pd
import numpy as np
#逆向指标标准化
def normalization1(data):
_range = np.max(data) - np.min(data)
return (data - np.min(data)) / _range
#正向指标标准化
def normalization2(data):
_range = np.max(data) - np.min(data)
return (np.max(data) - data) / _range
#熵权法计算权重
def entropyWeight(data):
P = np.array(data)
# 计算熵值
E = np.nansum(-P * np.log(P) / np.log(len(data)), axis=0)
# 计算权系数
return (1 - E) / (1 - E).sum()
def topsis(data, weight=None):
# 权重
weight = entropyWeight(data) if weight is None else np.array(weight)
# 最优最劣方案
Z = pd.DataFrame([(data*weight.T).min(), (data*weight.T).max()], index=['负理想解', '正理想解'])
#Z = pd.DataFrame([data.min(), data.max()], index=['负理想解', '正理想解'])
# 距离
Result = data.copy()
#Result['正理想解'] = np.sqrt(((data - Z.loc['正理想解']) ** 2 * weight).sum(axis=1))
#Result['负理想解'] = np.sqrt(((data - Z.loc['负理想解']) ** 2 * weight).sum(axis=1))
Result['正理想解'] = np.sqrt(((weight*data - Z.loc['正理想解']) ** 2 ).sum(axis=1))
Result['负理想解'] = np.sqrt(((weight*data - Z.loc['负理想解']) ** 2 ).sum(axis=1))
# 综合得分指数
Result['综合得分指数'] = Result['负理想解'] / (Result['负理想解'] + Result['正理想解'])
Result['排序'] = Result.rank(ascending=False)['综合得分指数']
return Result, Z, weight
if __name__=='__main__':
data = pd.read_csv('testdata.csv',sep = ',',encoding='gbk',header=None)
data1 = data.copy()
data1[0] = normalization1(data1[0])
data1[1] = normalization1(data1[1])
data1[2] = normalization1(data1[2])
data1[3] = normalization1(data1[3])
[result,z1,weight] = topsis(data1)
最终得到的评分结果(部分)、正负理想解和权重如下:
![](https://i-blog.csdnimg.cn/blog_migrate/140d4d770e6de719e1d78aabc3925665.png)
参考:
https://blog.csdn.net/qq_36384657/article/details/98188769
https://zhuanlan.zhihu.com/p/345513712
https://blog.csdn.net/qq_36384657/article/details/98188769