AHP层次分析法

AHP层次分析法

具体数学内容如下：

知乎AHP详细说明
话不多说，上代码
1.依赖包

import pandas as pd  
import numpy as np
from scipy.linalg import eig
np.set_printoptions(precision=6, suppress=False)

2.主体代码

class AHP():
    def __init__(self):
        self.RI = np.array(
            [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51])
        self.method = 'AHP层次分析法'

    def normalize(self, x0):  #归一化矩阵/有时候不需要，看情况使用
        return x0 / x0.sum(axis=0)

    def reshapes(self, plan, n, row, col):  #方案层数组reshape，用于读取数据，一般这个函数不使用
        newP = plan.reshape(-1)
        plans = newP.reshape((n, row, col))
        return plans

    def weight(self, x0):  #计算准则层权重w1
        eigvalues, eigvectors = eig(x0)
        Lmax = eigvalues.max()
        Lindex = list(eigvalues).index(Lmax)
        return Lmax, eigvectors[:, Lindex] / eigvectors[:, Lindex].sum()  #归一化

    def CI(self, x0):  #计算CI值
        Lmax, weights = self.weight(x0)
        Ci = (Lmax - x0.shape[0]) / (x0.shape[0] - 1)
        return Ci

    def judge(self, x0):  #判断是否满足层次单排序及一致性检验
        Ci = self.CI(x0)
        CR = Ci / self.RI[x0.shape[0] - 1]
        if (CR < 0.10):
            return '检验通过', 'CI={}'.format(Ci)  #'通过层次单排序一致性检验'
        else:
            return 0, 0  #'重新构造判断矩阵'

    def check(self, x0, b):  #判断是否满足层次总排序及一致性检验
        lmax1, w1 = self.weight(x0)
        CIs = np.zeros((x0.shape[0], 1))
        for i in range(x0.shape[0]):
            Ci = self.CI(b[i])
            CIs[i] = Ci
        ACIS = np.dot(np.array([w1]), CIs)
        ARIS = np.dot(np.array([self.RI[:x0.shape[0]]]), np.array([w1]).T)
        return '层次总排序及一致性检验值{}<0.1'.format(ACIS / ARIS)

    def grade(self, w1, b):  #计算得分
        w1 = np.array([w1])
        lmax, w2 = self.weight(b[0])
        for i in range(1, b.shape[0]):
            lmax, wi = self.weight(b[i])
            w2 = np.vstack((w2, wi))
        return np.dot(w1, w2),w1,w2

3.测试数据

#测试数据【准则层矩阵】
x0 = np.array([[1., 0.5, 4., 3., 3.], [2., 1., 7., 5., 5.],
               [0.25, 0.142857, 1., 0.5, 0.333333],
               [0.333333, 0.2, 2., 1., 1.], [0.333333, 0.2, 3., 1., 1.]])
########################################################################
b1 = np.array([1, 2, 5, 1 / 2, 1, 2, 1 / 5, 1 / 2, 1]).reshape((3, 3))
b2 = np.array([1, 1 / 3, 1 / 8, 3, 1, 1 / 3, 8, 3, 1]).reshape((3, 3))
b3 = np.array([1, 1, 3, 1, 1, 3, 1 / 3, 1 / 3, 1]).reshape((3, 3))
b4 = np.array([1, 3, 4, 1 / 3, 1, 1, 1 / 4, 1, 1]).reshape((3, 3))
b5 = np.array([1, 1, 1 / 4, 1, 1, 1 / 4, 4, 4, 1]).reshape((3, 3))
b = np.array([b1, b2, b3, b4, b5])  #方案层矩阵

4.测试结果（可以对照上面链接中的答案）


以上代码仍需要大量检验来检测错误，如有错误请留言！！！ 谢谢

看了这么多 点个赞呗
STOP，打个广告，更多代码，聚类分析、层次分析法、熵权法、自回归、随机森林、决策树、PCA等代码，请关注