嫡权法赋权法_Python实现客观赋权法

本文从阐述Python实现客观赋权法的四种方式：

Python实现客观赋权法，在进行赋权前，先导入数据(列：各维属性；行：各样本)，并自行进行去空值、归一化等操作。

import pandas as pd

import numpy as np

data=pd.DataFrame(pd.read_excel('路径'))

一. 熵权法

若某个指标的信息熵越大(即离散程度越大)，表明指标提供的信息量越多，在综合评价中所能起到的作用也越大，权重也就越大。

m,n=data.shape

data=data.as_matrix(columns=None)

pij=data/data.sum(axis=0)

test=pij*np.log(pij)

test=np.nan_to_num(test)

ej=-1/np.log(m)*(test.sum(axis=0))

wi=(1-ej)/np.sum(1-ej)

print(wi)

二. 因子分析权数法(FAM)

因子分析的目的：用少数几个因子去描述许多指标和因素间的联系，因子不具备直接物理含义。

因子分析权数法：对每个指标，计算共性因子的累计贡献率来定权。

from math import *

import numpy.linalg as nlg

data_mean=data.mean()#样本均值

E = np.mat(np.zeros((12, 12)))#样本离差阵，12是因为我输入的是12维属性

for i in range(len(data)):

E += (data.iloc[i, :].values.reshape(12, 1) - data_mean.values.reshape(12, 1)) * (data.iloc[i, :].values.reshape(1, 12) - data_mean.values.reshape(1, 12))

R = np.mat(np.zeros((12, 12)))#样本相关阵R

for i in range(12):

for j in range(12):

R[i, j] = E[i, j]/sqrt(E[i, i] * E[j, j])

eig_value, eigvector = nlg.eig(R)#求矩阵R的全