python中是什么意思权重_利用熵值法确定指标权重---原理及Python实现

背景

在进行一些综合评估类项目时，需要给一些指标确定一个合理的权重，用来计算综合得分，这种综合评估类项目在实际的业务中有很多应用，比如：学生奖学金评定方法、广告效果综合评估、电视节目满意度综合评估、用户满意度综合评估等。计算权重的方法比较多，下面主要介绍利用熵值法来确定确定。

一些名词解释

个案

一个个案，一条记录，也就是一个样本，在矩阵里面就是一行数据，不同地方叫法不一样

属性

属性就是样本所拥有的特性，也就是特征，在矩阵里面就是一列数据

熵值法概念

熵值法原理： 熵的概念源于热力学，是对系统状态不确定性的一种度量。在信息论中，信息是系统有序程度的一种度量。而熵是系统无序程度的一种度量，两者绝对值相等，但符号相反。根据此性质，可以利用评价中各方案的固有信息，通过熵值法得到各个指标的信息熵，信息熵越小，信息的无序度越低，其信息的效用值越大，指标的权重越大。

熵是不确定性的度量，如果用

表示第

个信息的不确定度(也就是出现的概率)，则整个信息(设有

个)的不确定度量如下所示：

这就是熵，其中

为正常数，当各个信息发生的概率相等时，即

，

取值最大，此时熵最大，也就是信息无序度最大，各个信息都发生可能性一样

熵值法步骤

可利用信息熵的概念确定权重，假设多属性决策矩阵如下：

则用

表示第

个属性下第

个方案

的贡献度

可以用

来表示所有方案对属性

的总贡献度：

其中，常数

，这样，就能保证

，即

最大1。

由式中可以看出，当某个属性各个方案(样本)的贡献度趋于一致时，

趋于1。

那么各个方案(样本)的贡献度全相等时，就应该不考虑该属性在决策中的作用，也就是该属性的权重应该为0

这样可以看出属性的权重系数大小由各方案差异大小来决定，为此可定义

为第

属性的各方案贡献度的一致性程度

进行归一化后，各属性权重如下：

当

时，第

属性可以剔除，其权重等于0

如果决策者事先已有一些经验的主观估计权重

，则可借助上述的

来对

进行修正

熵值法最大的特点是直接利用决策矩阵所给出的信息计算权重，而没有引入决策者的主观判断，完全是依靠数据来决定

案例

购买汽车的一个决策矩阵，给出了四个方案供我们进行选择，每个方案中均有相同的六个属性，我们需要利用熵值法求出各属性的权重

车型

油耗

功率

费用

安全性

维护性

操作性

本田

5

1.4

6

3

5

7

奥迪

9

2

30

7

5

9

桑塔纳

8

1.8

11

5

7

5

别克

12

2.5

18

7

5

5

计算步骤

求第

个属性下第

个方案

的贡献度，公式为:

在excel中的话，先求出各列的和，然后用每行的数值比上列和，形成新的矩阵

车型

油耗

功率

费用

安全性

维护性

操作性

本田

5

1.4

6

3

5

7

奥迪

9

2

30

7

5

9

桑塔纳

8

1.8

11

5

7

5

别克

12

2.5

18

7

5

5

总计

34

7.7

65

22

22

26

矩阵：

车型

油耗

功率

费用

安全性

维护性

操作性

本田

5/34

1.4/7.7

6/65

3/22

5/22

7/26

奥迪

9/34

2/7.7

30/65

7/22

5/22

9/26

桑塔纳

8/34

1.8/7.7

11/65

5/22

7/22

5/26

别克

12/34

2.5/7.7

18/65

7/22

5/22

5/26

求出所有方案对属性

的贡献总量，公式为:

在excel操作中，将刚才生成的矩阵每个元素变成每个元素与该元素自然对数的乘积

只列出油耗计算过程，其他属性同理

车型

油耗

本田

5/34 * ln(5/34)

奥迪

9/34 * ln(9/34)

桑塔纳

8/34 * ln(8/34)

别克

12/34 * ln(12/34)

总计

5/34* ln(5/34) + 9/34* ln(9/34) + 8/34* ln(8/34) + 12/34* ln(12/34)

求出常数

，

为

，本例中有4个方案，所以求得

为

，再求

与新矩阵每一列和的乘积，这样获得的 6 个积为所有方案对属性

的贡献度

车型

油耗

本田

5/34 * ln(5/34)

奥迪

9/34 * ln(9/34)

桑塔纳

8/34 * ln(8/34)

别克

12/34 * ln(12/34)

总计

5/34* ln(5/34) + 9/34* ln(9/34) + 8/34* ln(8/34) + 12/34* ln(12/34)

1/ln(4) * [ 5/34* ln(5/34) + 9/34* ln(9/34) + 8/34* ln(8/34) + 12/34* ln(12/34) ]

至此所有的

就求出来了

为第

属性下各方案贡献度的一致性程度，公式为：

利用上面求得的

，可以得到

车型

油耗

本田

5/34 * ln(5/34)

奥迪

9/34 * ln(9/34)

桑塔纳

8/34 * ln(8/34)

别克

12/34 * ln(12/34)

总计

5/34* ln(5/34) + 9/34* ln(9/34) + 8/34* ln(8/34) + 12/34* ln(12/34)

1/ln(4) * [ 5/34* ln(5/34) + 9/34* ln(9/34) + 8/34* ln(8/34) + 12/34* ln(12/34) ]

1 - 1/ln(4) * [5/34* ln(5/34) + 9/34* ln(9/34) + 8/34* ln(8/34) + 12/34* ln(12/34) ]

利用下面公式进行归一化后，即可求得各属性的权重：

经过计算后各属性的权重为：

车型

油耗

功率

费用

安全性

维护性

操作性

权重

0.14

0.07

0.49

0.16

0.04

0.10

所以在购买汽车时，据所提供信息，利用熵值法计算得出的权重为油耗占 14%，功率占 7%，费用占 49%，安全性占 16%，维护性占 4%，操作性占 10%。故我们在进行购买决策时，更多是考虑车型的价格和安全性等重要因素，这是从权重角度考虑的。

利用Python实现熵值法：

代码如下：

import pandas as pd

import numpy as np

import math

from numpy import array

# 定义熵值法函数 熵值法计算变量的权重

def cal_weight(df):

#求k

rows = df.index.size # 行

cols = df.columns.size # 列

k = 1.0 / math.log(rows)

# 矩阵计算、信息熵

x = array(df)

lnf = [[None] * cols for i in range(rows)]

lnf = array(lnf)

for i in range(0, rows):

for j in range(0, cols):

if x[i][j] == 0:

lnfij = 0.0

else:

p = x[i][j] / np.sum(x, axis=0)[j]

lnfij = math.log(p) * p * (-k)

lnf[i][j] = lnfij

lnf = pd.DataFrame(lnf)

E = lnf

# 计算一致性程度

d = 1 - E.sum(axis=0)

# 计算各指标的权重

w = [[None] * 1 for i in range(cols)]

for j in range(0, cols):

wj = d[j] / sum(d)

w[j] = wj

w = pd.DataFrame(w)

w.index = df.columns

w.columns = ['权重']

return w