python求解析解_Python实现TOPSIS分析法（优劣解距离法）

(1)、题目

在这里插入图片描述

题目：评价下表中20条河流的水质情况。

注：含氧量越高越好(极大型指标)，PH值越接近7越好(中间型指标)，细菌总数越少越好(极小型指标)，植物性营养物量介于10~20之间最佳，超过20或低于10均不好(范围型指标)。

(2)、读取Excel表中的数据

def read(file):

wb = xlrd.open_workbook(filename=file)#打开文件

sheet = wb.sheet_by_index(0)#通过索引获取表格

rows = sheet.nrows # 获取行数

all_content = [] #存放读取的数据

for j in range(1, 5): #取第1~第4列对的数据

temp = []

for i in range(1,rows) :

cell = sheet.cell_value(i, j) #获取数据

temp.append(cell)

all_content.append(temp) #按列添加到结果集中

temp = []

return np.array(all_content)

(3)、将不同的指标转换为极大型指标

#极小型指标 -> 极大型指标

def dataDirection_1(datas):

return np.max(datas)-datas #套公式

#中间型指标 -> 极大型指标

def dataDirection_2(datas, x_best):

temp_datas = datas - x_best

M = np.max(abs(temp_datas))

answer_datas = 1 - abs(datas - x_best) / M #套公式

return answer_datas

#区间型指标 -> 极大型指标

def dataDirection_3(datas, x_min, x_max):

M = max(x_min - np.min(datas), np.max(datas) - x_max)

answer_list = []

for i in datas:

if(i < x_min):

answer_list.append(1 - (x_min-i) /M) #套公式

elif( x_min <= i <= x_max):

answer_list.append(1)

else:

answer_list.append(1 - (i - x_max)/M)

return np.array(answer_list)

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

(4)、正向化矩阵标准化

def temp2(datas):

K = np.power(np.sum(pow(datas,2),axis =1),0.5)

for i in range(0,K.size):

for j in range(0,datas[i].size):

datas[i,j] = datas[i,j] / K[i] #套用矩阵标准化的公式

return datas

在这里插入图片描述

(5)、计算得分并归一化

def temp3(answer2):

list_max = np.array([np.max(answer2[0,:]),np.max(answer2[1,:]),np.max(answer2[2,:]),np.max(answer2[3,:])]) #获取每一列的最大值

list_min = np.array([np.min(answer2[0,:]),np.min(answer2[1,:]),np.min(answer2[2,:]),np.min(answer2[3,:])]) #获取每一列的最小值

max_list = [] #存放第i个评价对象与最大值的距离

min_list = [] #存放第i个评价对象与最小值的距离

answer_list=[] #存放评价对象的未归一化得分

for k in range(0,np.size(answer2,axis = 1)): #遍历每一列数据

max_sum = 0

min_sum = 0

for q in range(0,4): #有四个指标

max_sum += np.power(answer2[q,k]-list_max[q],2) #按每一列计算Di+

min_sum += np.power(answer2[q,k]-list_min[q],2) #按每一列计算Di-

max_list.append(pow(max_sum,0.5))

min_list.append(pow(min_sum,0.5))

answer_list.append(min_list[k]/ (min_list[k] + max_list[k])) #套用计算得分的公式 Si = (Di-) / ((Di+) +(Di-))

max_sum = 0

min_sum = 0

answer = np.array(answer_list) #得分归一化

return (answer / np.sum(answer))

在这里插入图片描述

(6)、主函数

def main():

file = 'C:\\Users\\lenovo\Desktop\\数学建模\\TOPSIS法\\第2讲.TOPSIS法(优劣解距离法)7.17\\代码和例题数据\\20条河流的水质情况数据.xlsx'

answer1 = read(file) #读取文件

answer2 = []

for i in range(0, 4): #按照不同的列，根据不同的指标转换为极大型指标，因为只有四列

answer = None

if(i == 0): #本来就是极大型指标，不用转换

answer = answer1[0]

elif(i == 1): #中间型指标

answer = dataDirection_2(answer1[1],7)

elif(i==2): #极小型指标

answer = dataDirection_1(answer1[2])

else: #范围型指标

answer = dataDirection_3(answer1[3],10,20)

answer2.append(answer)

answer2 = np.array(answer2) #将list转换为numpy数组

answer3 = temp2(answer2) #数组正向化

answer4 = temp3(answer3) #标准化处理去钢

data = pd.DataFrame(answer4) #计算得分

#将得分输出到excel表格中

writer = pd.ExcelWriter('C:\\Users\\lenovo\Desktop\\数学建模\\TOPSIS法\\第2讲.TOPSIS法(优劣解距离法)7.17\\代码和例题数据\\A.xlsx') # 写入Excel文件

data.to_excel(writer, 'page_1', float_format='%.5f') # ‘page_1’是写入excel的sheet名

writer.save()

writer.close()

(7)、完整代码部分

# -*- coding: utf-8 -*-

"""

Created on Sat Jul 27 21:36:55 2019

@author: lenovo

"""

import numpy as np

import xlrd

import pandas as pd

#从excel文件中读取数据

def read(file):

wb = xlrd.open_workbook(filename=file)#打开文件

sheet = wb.sheet_by_index(0)#通过索引获取表格

rows = sheet.nrows # 获取行数

all_content = [] #存放读取的数据

for j in range(1, 5): #取第1~第4列对的数据

temp = []

for i in range(1,rows) :

cell = sheet.cell_value(i, j) #获取数据

temp.append(cell)

all_content.append(temp) #按列添加到结果集中

temp = []

return np.array(all_content)

#极小型指标 -> 极大型指标

def dataDirection_1(datas):

return np.max(datas)-datas #套公式

#中间型指标 -> 极大型指标

def dataDirection_2(datas, x_best):

temp_datas = datas - x_best

M = np.max(abs(temp_datas))

answer_datas = 1 - abs(datas - x_best) / M #套公式

return answer_datas

#区间型指标 -> 极大型指标

def dataDirection_3(datas, x_min, x_max):

M = max(x_min - np.min(datas), np.max(datas) - x_max)

answer_list = []

for i in datas:

if(i < x_min):

answer_list.append(1 - (x_min-i) /M) #套公式

elif( x_min <= i <= x_max):

answer_list.append(1)

else:

answer_list.append(1 - (i - x_max)/M)

return np.array(answer_list)

#正向化矩阵标准化

def temp2(datas):

K = np.power(np.sum(pow(datas,2),axis =1),0.5)

for i in range(0,K.size):

for j in range(0,datas[i].size):

datas[i,j] = datas[i,j] / K[i] #套用矩阵标准化的公式

return datas

#计算得分并归一化

def temp3(answer2):

list_max = np.array([np.max(answer2[0,:]),np.max(answer2[1,:]),np.max(answer2[2,:]),np.max(answer2[3,:])]) #获取每一列的最大值

list_min = np.array([np.min(answer2[0,:]),np.min(answer2[1,:]),np.min(answer2[2,:]),np.min(answer2[3,:])]) #获取每一列的最小值

max_list = [] #存放第i个评价对象与最大值的距离

min_list = [] #存放第i个评价对象与最小值的距离

answer_list=[] #存放评价对象的未归一化得分

for k in range(0,np.size(answer2,axis = 1)): #遍历每一列数据

max_sum = 0

min_sum = 0

for q in range(0,4): #有四个指标

max_sum += np.power(answer2[q,k]-list_max[q],2) #按每一列计算Di+

min_sum += np.power(answer2[q,k]-list_min[q],2) #按每一列计算Di-

max_list.append(pow(max_sum,0.5))

min_list.append(pow(min_sum,0.5))

answer_list.append(min_list[k]/ (min_list[k] + max_list[k])) #套用计算得分的公式 Si = (Di-) / ((Di+) +(Di-))

max_sum = 0

min_sum = 0

answer = np.array(answer_list) #得分归一化

return (answer / np.sum(answer))

def main():

file = 'C:\\Users\\lenovo\Desktop\\数学建模\\TOPSIS法\\第2讲.TOPSIS法(优劣解距离法)7.17\\代码和例题数据\\20条河流的水质情况数据.xlsx'

answer1 = read(file) #读取文件

answer2 = []

for i in range(0, 4): #按照不同的列，根据不同的指标转换为极大型指标，因为只有四列

answer = None

if(i == 0): #本来就是极大型指标，不用转换

answer = answer1[0]

elif(i == 1): #中间型指标

answer = dataDirection_2(answer1[1],7)

elif(i==2): #极小型指标

answer = dataDirection_1(answer1[2])

else: #范围型指标

answer = dataDirection_3(answer1[3],10,20)

answer2.append(answer)

answer2 = np.array(answer2) #将list转换为numpy数组

answer3 = temp2(answer2) #数组正向化

answer4 = temp3(answer3) #标准化处理去钢

data = pd.DataFrame(answer4) #计算得分

#将得分输出到excel表格中

writer = pd.ExcelWriter('C:\\Users\\lenovo\Desktop\\数学建模\\TOPSIS法\\第2讲.TOPSIS法(优劣解距离法)7.17\\代码和例题数据\\A.xlsx') # 写入Excel文件

data.to_excel(writer, 'page_1', float_format='%.5f') # ‘page_1’是写入excel的sheet名

writer.save()

writer.close()

main()

(8)、计算结果

在这里插入图片描述

计算出结果后可通过excel表对得分进行手动排序