数学建模方法—【08】优劣解距离法(Topsis)

优劣解距离法(Topsis)

平时，我们常见的评价方法有:

• 动态加权综合评价
• Topsis优劣解距离评价法
• 模糊综合评价
• 层次分析法
• 灰色关联分析用于综合评价

今天我就来介绍一下Topsis优劣解距离评价法。

1. 概念

    TOPSIS法(Technique for Order Preference by Similarity to ldeal Solution)，简称为优劣解距离法，是一种常用的综合评价方法，其能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。

2. 原理

讲原理的过程中，我们举个例子会更好理解一些，比如某学校将进行老师综合素质评价，现有如下指标，计算哪个老师综合素质最高:

姓名	教学评分	请假次数
张三	88	3
李四	79	1
王五	90	0
彭六	93	5

1. 原始矩阵正向化

平常常见的指标有:

指标名称	指标特点	例子
极大型（效益型）指标	越大（多）越好	成绩、GDP增速、企业利润
极小型（成本型）指标	越小（少）越好	费用、坏品率、污染程度
中间型指标	越接近某个值越好	水质量评估时的PH值
区间型指标	落在某个区间最好	体温、水中植物性营养物量

原始矩阵正向化，即将所有的指标类型统一转化为
极大型指标，但转化方法可以不同！

1. 极小型指标→极大型指标： $max-x$

2. 中间型指标→极大型指标:
   { x i } \lbrace x_i \rbrace {xi​}是一组中间型指标序列，且最佳的数值为$x_{best}$，则正向化公式为:
   M = m a x { ∣ x i − x b e s t ∣ } M=max{\lbrace| x_i-x_{best}| \rbrace} M=max{∣xi​−xbest​∣}
   $$x_i=1-\frac{|x_i-x_{best}|}{M}$$
   比如:
   一组PH值

   PH值

   5

   7

   6

   8

   9

   x b e s t = 7 ， M = m a x { ∣ 5 − 7 ∣ } x_{best}=7，M=max{\lbrace| 5-7| \rbrace} xbest​=7，M=max{∣5−7∣}

3. 区间型指标→极大型指标
   { x i } \lbrace x_i \rbrace {xi​}是一组中间型指标序列，且最佳的区间为[a,b]，则正向化公式为:
   $$\tilde{x}=\{\begin{array}{r}1-\frac{a-x}{M},x<a\\ 1,a\le x\le b\\ 1-\frac{x-b}{M},x>b\end{array}$$
   其中， M = m a x { a − m i n { x i } , m a x { x i } − b } M=max\{a-min\{x_i\}, max\{x_i\}-b\} M=max{a−min{xi​},max{xi​}−b}

正向化后的矩阵为:
$$X=\left[\begin{array}{cccc}{X}_{11}& X_{12}& ...& X_{1m}\\ X_{21}& X_{22}& ...& X_{2m}\\ ...& ...& ...& ...\\ X_{n1}& X_{n2}& ...& X_{nm}\end{array}\right]$$

2. 正向化矩阵标准化

将上一步得到的正向化矩阵进行标准化，标准化的矩阵记为Z，Z中的每一个元素:
$$Z_{ij}=\frac{x_{ij}}{\sqrt{\sum _{i=1}^n{x}_{ij}^2}}$$
即$\frac{每一个元素}{\sqrt{其所在列的元素的平方和}}$
得到标准化矩阵:
$$Z=\left[\begin{array}{cccc}{Z}_{11}& Z_{12}& ...& Z_{1m}\\ Z_{21}& Z_{22}& ...& Z_{2m}\\ ...& ...& ...& ...\\ Z_{n1}& Z_{n2}& ...& Z_{nm}\end{array}\right]$$

3. 计算得分并归一化

定义最大值: $Z^{+}=(Z_1^{+},Z_2^{+},...,Z_m^{+})$

       最小值$Z^{-}=(Z_1^{-},Z_2^{-},...,Z_m^{-})$

第i个评价对象与最大值距离为:$D_i^{+}=\sqrt{\sum _{j=1}^m(Z_j^{+}-z_{ij}{)}^2}$

第i个评价对象与最小值距离为: $D_i^{-}=\sqrt{\sum _{j=1}^m(Z_j^{-}-z_{ij}{)}^2}i=1,2,...,n$

可以计算得到，第i个评价对象未归一化得分为: $S_i=\frac{D_i^{-}}{D_i^{-}+D_i^{+}}$
最后归一化: $S_i^{{}^{\prime }}=\frac{S_i-S_{min}}{S_{max}-S_{min}}$

最后得到的$S_i^{{}^{\prime }}$就是需要的得分！

3. 代码实现

# TOPSIS计算公司发展水平
class TOPSIS:
    # 初始化
    def __init__(self, df, feature_list):
        self.df = df  # 输入dataframe，这份用来下面算法操作
        self.df_copy = df.copy()  # 备份，因为操作的时候回改变原始数据，所以这份数据用来储存计算结果
        self.feature_list = feature_list  # 要作为评价特征的特征
        self.features_num = len(feature_list)  # 特征个数
        self.features_length = df.shape[0]   # 样本数量
        
        
    # 标准化
    def standardization(self):
        for f in self.feature_list:
            self.df[f] = self.df[f] / np.sqrt(sum(np.power(self.df[f], 2)))
        
    # 计算D+, D-
    def D_calculation(self):
        self.standardization()
        self.df_copy['D+'] = 0
        self.df_copy['D-'] = 0
        for i in range(self.features_length):
            self.df_copy['D+'].iloc[i] = np.sqrt(sum([(self.df[feature].iloc[i]-np.max(self.df[feature]))**2 for feature in self.feature_list]))
            self.df_copy['D-'].iloc[i] = np.sqrt(sum([(self.df[feature].iloc[i]-np.min(self.df[feature]))**2 for feature in self.feature_list]))
        return self.df
    
    # 计算未归一化得分
    def non_normalized_score(self):
        self.D_calculation()
        self.df_copy['score_unnormalized'] = self.df_copy['D-'] / (self.df_copy['D+'] + self.df_copy['D-'])   

    # 计算归一化得分
    def normalized_score(self):
        self.non_normalized_score()
        self.df_copy['score_normalized'] = (self.df_copy['score_unnormalized'] - min(self.df_copy['score_unnormalized']))  \
                                           / (max(self.df_copy['score_unnormalized'])-min(self.df_copy['score_unnormalized']))
        return self.df_copy

代码实操:
我随机编撰了一段数据，通过TOPSIS来计算数据中公司的发展情况，v1、v2、v3指的是能代表该公司发展状况的特征:

# 计算
data = pd.read_excel(r'.\topsis_test.xlsx')
features = ['v1', 'v2', 'v3']
data = TOPSIS(data, features).normalized_score()
data

得到结果为:
可以看到计算结果中有距离结果、也有未归一化、归一化得分。
从归一化得分可以看出company1发展情况最好！