评价方法-熵权法确定指标权重

评价方法根据确定权重的方法，大体上可分为主观赋权，客观赋权；主观赋权依赖于“专家”的权重或较多独立个体的评判偏好，如层次分析法，功效系数法，模糊综合评价法，综合指数法；客观赋权法根据各指标间相关关系或各指标变异程度来确定权数，此种方法依赖数据本身，本质上与数据间大小、方差有关，如主成分分析法，优劣解距离法，因子分析法，秩和比法，灰色关联法，熵权法等

信息熵：

•     信息熵 =  每种可能事件的概率 * 每种可能事件的信息量 （本质是对信息量的期望）
•     发生的概率越小，（确定它所需要的）信息量越大（利用对数函数拟合）

   

熵权法：

原理：

指标的离散程度越小，（确定它所需要的）信息量越小，信息熵越大；

指标的离散程度越小，该指标对综合评价的影响（即权重）就越小

步骤：

• 数据标准化
• 求出各指标下的概率（每个元素占概率的比重）
• 计算各指标的信息熵 （)
• 计算各指标的权重（1-H：差异系数/信息效用值）
• （延伸：计算此指标体系下各observation的综合分）

pros: 相对客观 / 可反映出指标的区分能力

cons: 对样本依赖性大 / 不能捕捉指标间相关性、层级关系 

Code

def ewm(df):
    df = df.apply(lambda x: ((x - np.min(x)) / (np.max(x) - np.min(x))))
    rows, cols = df.shape 
    k = 1.0 / math.log(rows)
    #k = (df!=0).astype(int).sum(axis=0)
    #k = list(map(lambda x: 1.0/math.log(x), k))
    
    p = df / df.sum(axis=0)
    lnf = -np.log(p , where = df!=0 )*p*k
    
    d = 1 - lnf.sum(axis=0)
    w = d / d.sum()
    
    w = pd.DataFrame(w)
    w = w.round(5)
    w.index = df.columns
    w.columns =['weight']
    return w

Reference

熵权法

数据运营36计(三)：熵权法如何确定指标权重构建评价体系