熵权法求权重

算法的背景

前两节讲到的层次分析法确定权重是通过主观给定的，那么有没有什么方法能够直接分配权重，这时候就提出了熵权法。

熵权法是一种客观的赋权方法，依靠数据本身来得出权重

原理：指标的变异程度越小，所反映的信息也越少，其对应的权值也应该越小

基本步骤

1.数据标准化 

在对数据进行标准化之前，还需要对数据先进行正向化，可以参考上一节中的矩阵正向化求法

2.计算概率矩阵p

3.计算熵权

通过公式可以得到以下定理：当＝＝……＝＝时，信息熵最大，数值为1，即无实用性

这里插播一个概念，信息熵：一个物理学概念，表示信息的不确定度，数值为1时表示信息全部相同。

定义信息效用值＝1 - 

再对信息效用值进行归一化处理得到熵权＝

python代码

import numpy as np  # 导入numpy库，并简称为np

def mylog(p):# 定义一个自定义的对数函数mylog，用于处理输入数组中的零元素
    n = len(p)  # 获取输入向量p的长度
    lnp = np.zeros(n)  # 创建一个长度为n，元素都为0的新数组lnp
    for i in range(n):  # 对向量p的每一个元素进行循环
        if p[i] == 0:  # 如果当前元素的值为0
            lnp[i] = 0  # 则在lnp中对应位置也设置为0，因为log(0)是未定义的，这里我们规定为0
        else:
            lnp[i] = np.log(p[i])  # 如果p[i]不为0，则计算其自然对数并赋值给lnp的对应位置
    return lnp  # 返回计算后的对数数组

# 定义一个指标矩阵X
#X = np.array([[9, 0, 0, 0], [8, 3, 0.9, 0.5], [6, 7, 0.2, 1]])
print("请输入矩阵行数：")
n = int(input())
print("请输入矩阵列数：")
m = int(input())
print("请输入矩阵：")
X = np.zeros(shape=(n, m))  # 初始化一个n行m列的全零矩阵A
for i in range(n):
    X[i] = input().split(" ")  # 接收每行输入的数据，假设用户输入了 "1.5 2.3 3.7"，则 input().split(" ") 返回 ["1.5", "2.3", "3.7"]
    X[i] = list(map(float, X[i]))  # 将接收到的字符串列表转换为浮点数列表，接下来，list(map(float, ["1.5", "2.3", "3.7"])) 将返回 [1.5, 2.3, 3.7]，即一个浮点数列表。
print("输入矩阵为：\n{}".format(X))  # 打印输入的矩阵A

# 对矩阵X进行标准化处理，得到标准化矩阵Z
Z = X / np.sqrt(np.sum(X*X, axis=0))#按列求和

print("标准化矩阵 Z = ")
print(Z)  # 打印标准化矩阵Z

# 计算熵权所需的变量和矩阵初始化
n, m = Z.shape  # 获取标准化矩阵Z的行数和列数
D = np.zeros(m)  # 初始化一个长度为m的数组D，用于保存每个指标的信息效用值

# 计算每个指标的信息效用值
for i in range(m):  # 遍历Z的每一列
    x = Z[:, i]  # 获取Z的第i列，即第i个指标的所有数据
    p = x / np.sum(x)  # 对第i个指标的数据进行归一化处理，得到概率分布p
    # 使用自定义的mylog函数计算p的对数。需要注意的是，如果p中含有0，直接使用np.log会得到-inf，这里使用自定义函数避免这个问题
    e = -np.sum(p * mylog(p)) / np.log(n)  # 根据熵的定义计算第i个指标的信息熵e
    D[i] = 1 - e  # 根据信息效用值的定义计算D[i]

# 根据信息效用值计算各指标的权重
W = D / np.sum(D)  # 将信息效用值D归一化，得到各指标的权重W

print("权重 W = ")
print(W)  # 打印得到的权重数组W