评价类——TOPSIS法（Technique for Order Preference by Similarity to an Ideal Solution），主观打分（主观设置权重）

感觉大家对原理性的东西不太感兴趣，那我就直接举例提供代码，以及详细的注释，大家自己对照改代码应用于你自己建立的模型吧。

完整代码关注博客底部微信公众号获得！

这些代码全部是我自己做数模竞赛时候自己用的代码。可以直接运行，记得修改文件路径。

一、TOPSIS简单介绍

TOPSIS法（Technique for Order Preference by Similarity to an Ideal Solution, 理想解相似度排序法）是一种多指标决策分析方法。它的基本思想是：优选方案应当距离正理想解（理想状态）最近，距离负理想解（最差状态）最远。通过计算每个方案与正、负理想解的距离，确定各个方案的相对接近度，从而对方案进行排序和选择。

二、Python代码实现

2.1 安装所需的Python包依赖

pip install numpy pandas

2.2 TOPSIS代码

import numpy as np
import pandas as pd

# TOPSIS算法实现







# 输出结果
result_df = pd.DataFrame({
    '方案': schemes,
    '得分': closeness
})

# 按得分接近度排序
result_df = result_df.sort_values(by='得分', ascending=False)

# 显示最终结果
print(result_df)

# 如果你想将结果保存为CSV文件，可以使用以下命令：
result_df.to_csv('topsis_result.csv', index=False)

三、手把手教你修改Python代码

第一点是：你必须把你的数据格式储存成这种形式，如下图所示：，第一列是类型，第一行是指标

第二点是：你必须通过把你的excel文件转为csv文件，不会的参考我的这篇博客：文件格式转换：EXCEL和CSV文件格式互相转换

第三点是：你必须在代码中输入你的csv文件路径，如下图所示：

第四点是：你必须通过查阅参考文献，等资料获取你的各类指标的权重，注意，权重的总和为1修改代码如下图所示：

第五点是：你必须确定你的指标是正向True（越大越好）还是负向False（越小越好），修改代码如下图：

四、TOPSIS原理

以下述数据进行讲解：

4.1 TOPSIS的步骤

TOPSIS 的计算主要包括以下步骤：

4.1.1 步骤 1：构建决策矩阵

构建一个由 m 个方案和 n 个指标组成的决策矩阵，矩阵的每一行代表一个方案，每一列代表一个评价指标。

例如，假设有 3 个备选方案（A1, A2, A3）和 4 个评价指标（C1, C2, C3, C4），决策矩阵如下：

	C1	C2	C3	C4
A1	250	16	12	5
A2	200	20	10	3
A3	300	14	15	4

4.1.2 步骤 2：标准化决策矩阵

为了消除量纲的影响，需对决策矩阵进行标准化处理。常用的标准化方法是向量归一化，公式如下：

$$r_{ij}=\frac{x_{ij}}{\sqrt{{\sum }_{i=1}^m{x}_{ij}^2}}$$
其中，$x_{ij}$为原始决策矩阵中的值，$r_{ij}$为标准化后的值。

4.1.3 步骤 3：构建加权标准化决策矩阵

为反映各个指标的重要性，需要根据指标的权重对标准化后的决策矩阵进行加权处理。加权标准化矩阵的公式为：

$$v_{ij}=w_j\times r_{ij}$$
其中，$w_j$ 为指标的权重。

4.1.4 步骤 4：确定正理想解和负理想解

• 正理想解 (Ideal Solution)：各指标取最大值，代表最优情况。
  V + = { max ⁡ ( v i j ) ∣ i = 1 , . . . , m } V^+ = \{ \max(v_{ij}) \mid i=1,...,m \} V+={max(vij​)∣i=1,...,m}

• 负理想解 (Negative Ideal Solution)：各指标取最小值，代表最差情况。
  V − = { min ⁡ ( v i j ) ∣ i = 1 , . . . , m } V^- = \{ \min(v_{ij}) \mid i=1,...,m \} V−={min(vij​)∣i=1,...,m}

4.1.5 步骤 5：计算与正理想解和负理想解的距离

使用欧几里得距离公式计算每个方案与正理想解和负理想解的距离：

• 与正理想解的距离：
  $$D_i^{+}=\sqrt{\sum _{j=1}^n(v_{ij}-v_j^{+}{)}^2}$$

• 与负理想解的距离：
  $$D_i^{-}=\sqrt{\sum _{j=1}^n(v_{ij}-v_j^{-}{)}^2}$$

4.1.6 步骤 6：计算相对接近度

相对接近度$C_i$表示方案距离理想解的相对接近程度，公式为：

$$C_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}$$
$C_i$越大，方案越接近正理想解，越优。

4.1.7 步骤 7：方案排序

根据相对接近度$C_i$对各个方案进行排序，值越大的方案排名越高，最优方案排在第一位。

---

2. TOPSIS的优点

• 直观简单：通过数学计算，能够简单明了地评价各个方案之间的优劣。
• 多指标评估：能够处理多维度的评价指标，且考虑了指标的权重。
• 灵活性高：适用于不同类型的指标（正向、负向）以及不同的权重分配。

3. 适用场景

TOPSIS 方法在很多领域中被广泛应用，特别是：

• 供应链管理：在多个供应商中选择最优供应商。
• 风险评估：对多个风险进行排序和优先处理。
• 投资选择：在多个投资选项中选取最优的投资组合。

---

4. 示例

以 3 个方案、4 个评价指标为例，假设指标权重分别为：

• C1: 0.4
• C2: 0.3
• C3: 0.2
• C4: 0.1

决策矩阵如下：

	C1	C2	C3	C4
A1	250	16	12	5
A2	200	20	10	3
A3	300	14	15	4

经过 TOPSIS 计算，最终的相对接近度和排名如下(均为正理想解)：

方案	相对接近度	排名
A3	0.619869	1
A1	0.472585	2
A3	0.367713	3

经过 TOPSIS 计算，最终的相对接近度和排名如下(C1、C2、C4正理想解，C3负理想解)：

方案	相对接近度	排名
A3	0.540837	1
A1	0.498741	2
A3	0.446618	3