topsis法_TOPSIS评价法的原理及Python实现

1.该方法的目的：由于指标类型有很多，极大型、极小型、中间型、区间型……为了使得各类指标之间可相互比较，于是将各类型的指标均进行正向化处理，即都转化为极大型指标。然后，再对正向化后的各指标分别进行标准化处理。根据评分公式，计算各个候选人（或备选方案）的得分，该得分考虑了多个指标的影响，最后再对得分进行归一化处理，按照得分排序即可知道最佳候选人（或最佳方案）。至此，是TOPSIS所能做的一切……

TOPSIS方法的缺点也很明显，即它在计算得分时没有考虑各个指标的权重问题，假定了所有指标同等重要。

2.主要操作步骤及相关基本概念

（1）极大型指标：指值越大越好的指标，如成绩，收入，GDP……

（2）极小型指标：指值越小越好的指标，如迟到次数、违纪次数、空气污染指数、犯罪率……

（3）指标正向化：是指将极小型指标转化为极大型指标，这样做的目的是方便后续加权计算多个指标综合得分，使得最后的得分也是越大越好。

例如：学校现在要评选三好学生，A班有张三等5名学生，评选参考指标包括：语数外各科成绩（满分100分）、竞赛获奖次数、迟到次数、违纪次数。

可知，语数外各科成绩（满分100分）、竞赛获奖次数、属于极大型指标，迟到次数、违纪次数属于极小型指标，因此需要将极小型指标正向化。

经过正向化转化后，迟到次数越多的同学，该指标值越接近0，迟到次数越少的同学该指标越大。违纪次数也经过正向化处理。

问题是，正向化转化是怎么做的？其实很简单，常用的方法是用该指标最大值减去原来的值。即

max - x

如张三迟到次数是3次，样本数据中，最大迟到次数是5次，那么，张三正向化后的迟到次数为5-3 = 2。注意！这里的2不再代表迟到的次数，而是一种得分，且这种得分越大越好。

（4）数据标准化：为了综合评价某个人，往往需要考虑多种指标，如成绩，获奖次数，迟到次数，……需要注意的是，这些指标的量纲是不同的，即取值范围不同。成绩一般取值范围为0~100，获奖次数取值范围往往偏小，如1、2、3次，迟到次数取值范围也偏小。一般来说，我们无法将成绩中的95分与迟到次数为2次进行比较，这样毫无意义。为了使得指标之间的数可以相互比较，需要消除量纲的影响，我们可以通过对指标进行标准化处理实现消除量纲影响。

标准化后并不会影响指标内部数据的相对大小关系，原来成绩排名第一名的，标准化后依然会是第一名。

常用的标准化处理方法：