python实现topsis法

目录

TOPSIS算法原理

1.模型介绍

1.2.TOPSIS法的适用条件

2.算法步骤

第一步正向化：将原始矩阵正向化处理（将所有的指标类型统一转换为极大型指标）

第二步标准化​编辑

第三步计算得分

 代码实现

 模型优化

模型的优缺点

---

TOPSIS算法原理

1.模型介绍

C.L.Hwang 和 K.Yoon 于1981年首次提 TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution)，可翻译为逼近理想解排序法，国内常简称为优劣解距离法。

TOPSIS 法是一种常用的综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距。

基本过程为先将原始数据矩阵统一指标类型（一般正向化处理）得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。该方法对数据分布及样本含量没有严格限制，数据计算简单易行

1.2.TOPSIS法的适用条件

（1） 比较的对象一般要远大于两个

（2）比较的指标不只一个方面

（3）有很多指标不存在理论上的最大值和最小值，例如GDP增长值

特别的：TOPSIS法 特别适合具有多组评价对象时，要求通过检测评价对象与最优解、最劣解的距离来进行排序

2.算法步骤

第一步正向化：将原始矩阵正向化处理（将所有的指标类型统一转换为极大型指标）

最常见的有四个指标：

指标名称	指标特点	例子
极大型（效益型）指标	越大（多）越好	成绩、GDP增速、企业利润
极小型（成本型）指标	越小（少）越好	费用、坏品率、污染程度
中间型指标	越接近某个值越好	水质量评估时的PH值
区间型指标	落在某个区间最好	体温、水中植物性营养物量

极小型转化为极大型

这个例子中，与他人争吵的次数为极小型指标，怎么转化为极大型的呢，首先找到该指标中的最大值，也就是3，然后拿最大值减去指标中的每一个值(3-2,3-0...),这样我们就得到了极大型指标

中间型转化为极大型 

首先我们求M，M等于指标中的每一个值减去最佳值（7）的绝对值的最大值，然后代入上方正向化公式即可

区间型转化为极大型

 同理我们先求M，首先我们找到指标中的最小值（35.2），同理最大值（38.4），上面的例子a为下界（36），上界b（37），然后代入求M的公式求得M，然后对指标中的每个数进行区间判断，代入正向化的分段公式中。经过以上处理我们得到正向化矩阵，接下来我们进行标准处理，来消除不同量纲的影响

第二步标准化

第三步计算得分

我们先举个例子

首先我们找到每个指标的最大值（0.6048，0.8018），最小值（0.3665，0），然后求评价对象与每个指标最大值的距离，以及最小值的距离。得分等于最小值距离除以最大值距离加最小值距离。

具体公式如下图

 代码实现

这里以20条河流的水质情况数据为例

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）；PH值越接近7越好（中间型）；细菌总数越少越好（极小型）；植物性营养物量介于10‐20之间最佳（区间型），超过20或低于10均不好

河流	含氧量（ppm)	PH值	细菌总数(个/mL)	植物性营养物量（ppm)
A	4.69	6.59	51	11.94
B	2.03	7.86	19	6.46
C	9.11	6.31	46	8.91
D	8.61	7.05	46	26.43
E	7.13	6.5	50	23.57
F	2.39	6.77	38	24.62
G	7.69	6.79	38	6.01
H	9.3	6.81	27	31.57
I	5.45	7.62	5	18.46
J	6.19	7.27	17	7.51
K	7.93	7.53	9	6.52
L	4.4	7.28	17	25.3
M	7.46	8.24	23	14.42
N	2.01	5.55	47	26.31
O	2.04	6.4	23	17.91
P	7.73	6.14	52	15.72
Q	6.35	7.58	25	29.46
R	8.29	8.41	39	12.02
S	3.54	7.27	54	3.16
T	7.44	6.26	8	28.41

这里以python实现代码(使用工具Jupyter Notebook)：

#导入分析库
import pandas as pd
import numpy as np

##导入数据
df = pd.read_excel(r'./20条河流的水质情况数据.xlsx')
df.head(5)   #查看头5条数据

#极小型指标 -> 极大型指标
def Mintomax(datas):
    return np.max(datas) - datas


df['细菌总数(个/mL)'] = Mintomax(df['细菌总数(个/mL)'])    #极小型指标 -> 极大型指标
df.head()     #查看

#中间型指标 -> 极大型指标
def Midtomax(datas,x_best):
    temp_datas = datas - x_best
    M = np.max(abs(temp_datas))
    answer_datas = 1 - abs(datas - x_best) / M
    return answer_datas


df['PH值'] = Midtomax(df['PH值'],7)    #中间型指标 -> 极大型指标 7为最佳值

#区间型指标 -> 极大型指标
def Intertomax(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)
        elif (i > x_max):
            answer_list.append(1 - (i - x_max) / M)
        else:
            answer_list.append(1)
    return np.array(answer_list)



df['植物性营养物量（ppm)'] = Intertomax(df['植物性营养物量（ppm)'],10,20)    #区间型指标 -> 极大型指标  10为下界，20为上界

#正向化矩阵标准化(去除量纲影响)
def Standard(datas):
    k = np.power(np.sum(pow(datas,2) , axis = 0) , 0.5)
    for i in range(len(k)):
        datas[:,i] = datas[:,i] / k[i]
    return datas


label_need = df.keys()[1:]
data = df[label_need].values    #刨除变量名后的数据值
sta_data = Standard(data)   #正向化矩阵标准化(去除量纲影响)

#计算得分并归一化
def Score(sta_data):
    z_max = np.amax(sta_data,axis=0)
    z_min = np.amin(sta_data,axis=0)
    #计算每一个样本点与最大值的距离
    tmpmaxdist = np.power(np.sum(np.power((z_max - sta_data) , 2) , axis = 1) , 0.5)
    tmpmindist = np.power(np.sum(np.power((z_min - sta_data) , 2) , axis = 1) , 0.5)
    score = tmpmindist / (tmpmindist + tmpmaxdist)
    score = score / np.sum(score)  # 归一化处理
    return score



sco = Score(sta_data)   #计算得分

#将计算得到的得分与源数据一起进行整理，形成dataframe
df['score'] = sco

处理后的结果如下：

 模型优化

前面的步骤相同，计算评价对象与最大值，最小值距离时加上每个指标的权重即可。

模型的优缺点

Topsis法 的优点：

（1） 避免了数据的主观性，不需要目标函数，不用通过检验，而且能够很好的刻画多个影响指标的综合影响力度。

（2） 对于数据分布及样本量、指标多少无严格限制，既适于小样本资料，也适于多评价单元、多指标的大系统,较为灵活、方便。

Topsis法 的缺点：

（1） 需要的每个指标的数据，对应的量化指标选取会有一定难度。

（2） 不确定指标的选取个数为多少适宜，才能够去很好刻画指标的影响力度。

（3） 必须有两个以上的研究对象才可以进行使用。