综合评价方法之熵值法

熵值法计算步骤

1. 选取数据
   选取$m$个指标，共$n$个样本，则$X_{ij}$为第$i$个样本的第$j$个指标的数值，$i=1,2,3,...n;j=1,2,3...m.$
2. 数据标准化处理
   各项指标的计量单位以及方向不统一的情况下，需要对对数据进行标准化，为了避免求熵值时对数无意义，可以为每个$0$值加上较小数量级的实数，如$0.01$.
   （1）对于正向指标(越大越好的指标)
   $$X^{{}^{\prime }}=\frac{X_{ij}-Min(X_{ij})}{Max(X_{ij})-Min(X_{ij})}$$
   （2）对于负向指标(越小越好的指标)
   $$X^{{}^{\prime }}=\frac{Max(X_{ij})-X_{ij}}{Max(X_{ij})-Min(X_{ij})}$$
3. 计算第$j$项指标下第$i$个样本占该指标的比重
   计算样本权重：
   $$P_{ij}=\frac{X_{ij}}{{\sum }_{i=1}^n{X}_{ij}}$$
4. 计算第$j$项指标的熵值
   计算指标熵值：
   $$e_j=-K\ast \sum _{i=1}^n(P_{ij}\ast ln(P_{ij}))$$
   $K=\frac{1}{ln(n)}$，其中n为样本个数。
5. 计算第$j$项指标的差异系数
   某项指标的信息效用值取决于该指标的信息熵$e_j$与$1$之间的差值，它的值直接影响权重的大小。信息效用值越大，对评价的重要性就越大，权重也就越大。
   $$d_j=1-e_j$$
6. 计算评价指标权重
   利用熵值法估算各指标的权重，其本质是利用该指标信息的差异系数来计算，其差异系数越高，对评价的重要性就越大（或称权重越大，对评价结果的贡献就越大）
   第$j$项指标的权重：
   $$w_j=\frac{d_j}{{\sum }_{j=1}^m{d}_j}$$
7. 计算各样本综合得分
   $$z_i=\sum _{j=1}^m{w}_j{x}_{ij}$$

实例

import pandas as pd
import numpy as np

# 读取数据
data = pd.read_excel("./temp.xlsx", index_col=[0])
data.head()

# 正向指标标准化处理
data[["cured_rate", "StringencyIndex", "GovernmentResponseIndex", "ContainmentHealthIndex", 
      "EconomicSupportIndex"]] = (data[["cured_rate", "StringencyIndex", "GovernmentResponseIndex", "ContainmentHealthIndex", 
      "EconomicSupportIndex"]]-data[["cured_rate", "StringencyIndex", "GovernmentResponseIndex", "ContainmentHealthIndex", 
      "EconomicSupportIndex"]].min())/(data[["cured_rate", "StringencyIndex", "GovernmentResponseIndex", "ContainmentHealthIndex", 
      "EconomicSupportIndex"]].max()-data[["cured_rate", "StringencyIndex", "GovernmentResponseIndex", "ContainmentHealthIndex", 
      "EconomicSupportIndex"]].min())
# 反向指标标准化处理
data[["confirmed","confirmed_rate","dead_rate"]] = (data[["confirmed","confirmed_rate","dead_rate"]].max() - data[["confirmed","confirmed_rate","dead_rate"]])/(data[["confirmed","confirmed_rate","dead_rate"]].max()-data[["confirmed","confirmed_rate","dead_rate"]].min())

# 计算样本权重,data为标准化后的数据
p = data/data.sum()
# 计算指标熵值
K = 1/np.log(len(p))
e = -K*np.sum(p*np.log(p))
# 计算差异系数
d = 1-e
# 计算指标权重
w = d/d.sum()
# 计算综合得分
score = (w*data).sum(axis=1)

鄙人学识浅薄，如有错误之处，烦请各位道友指出。