Python应用|TOPSIS综合评价法与案例分析

一、TOPSIS综合评价法

TOPSIS方法：Technique for Order Preference by Similarity to an Ideal Solution，根据有限个评价对象与理想化目标的接近程度进行排序，适用于多项目标、对多个方案进行比较选择的分析方法。

1. 计算步骤

（1）构造初始矩阵A（n个评价指标，m个目标）

式中，aij表示第i个目标的第j项指标值(1≤i≤m, 1≤j≤n)。

#获取数据
data=pd.read_excel('研究生院评估数据.xlsx').values  #程序和数据在一个根目录下
A=data[:,1:]  #获取初始矩阵
A=np.array(A)  #转为数组
m,n=A.shape[0],A.shape[1] # m,n为行,列数

（2）由于各个指标的量纲可能不同，需要对原始数据进行标准化处理。（归一化处理）

#归一化处理
A1=np.ones([m,n],float)
for i in range(n):
	mu=np.power(np.sum(np.power(A[i],2)),0.5)
	A1[i]=A[i]/mu

式中：

针对不同类型的要求还有其他的归一化处理方法，见二。

（3）构造加权标准化矩阵Z

式中，wj是第j个指标的权重。

权重确定方法：Delphi法，对数最小二乘法，层次分析法等。

W=[w1,w2,w3,w4]
W=np.array(W)
Z=np.ones([m,n],float)
for i in range(len(W)):
        for j in range(len(W)):
            if i==j:
                W[i,j]=W0[j]
            else:
                W[i,j]=0

（4）根据加权矩阵判断正负理想解Z⁺ ,Z^-

式中，J*是效益性指标集（指标值越大越好）；J’是成本型指标集（指标值越小越好）。

Zmax=np.ones([1,n],float)
Zmin=np.ones([1,n],float)
for j in range(n):
	Zmax[0,j]=max(Z[:,j])
	Zmin[0,j]=min(Z[:,j])

（5）计算各个方案的到正理想点的距离Si⁺和负理想点的距离Si^-

for i in range(m):
	Smax=np.sqrt(np.sum(np.square(Z[i,:]-Zmax[0,:])))