熵权法（数模加油站自学笔记）

基本概念：

对比：层次分析和Topsis的权重都是主观得到的
熵权法是一种客观的赋权方法，可以依靠数据本身得出权重
依据的原理：指标的变异程度小，所反映的信息量也越少，其对应的权值也越低（如果某项指标的值全部相等，则该指标在综合评价中不起作用）

基本步骤：

1. 数据标准化：

首先把原始矩阵正向化（topsis法有学)得到

X = np.array([[9, 0, 0, 0], [8, 3, 0.9, 0.5], [6, 7, 0.2, 1]])

再进行正向化矩阵标准化（每个值除以所在列的值的平方和，最后再开方）

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

2. 计算概率矩阵p(归一化)

p = x / np.sum(x)  # 对第i个指标归一化处理

3. 计算熵权：

e = -np.sum(p * mylog(p) / np.log(n))

所有代码：

import numpy as np


# 定义一个自定义的对数函数mylog,处理数组中的零元素

def mylog(p):
    n = len(p)
    lnp = np.zeros(n)
    for i in range(n):
        if p[i] == 0:
            lnp[i] = 0
        else:
            lnp[i] = np.log(p[i])
    return lnp


# 定义一个指标矩阵
X = np.array([[9, 0, 0, 0], [8, 3, 0.9, 0.5], [6, 7, 0.2, 1]])

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

print("标准化矩阵 Z = ")
print(Z)

n, m = Z.shape
D = np.zeros(m)

# 计算每个矩阵的信息效用值
for i in range(m):
    x = Z[:, i]
    p = x / np.sum(x)  # 对第i个指标归一化处理
    e = -np.sum(p * mylog(p) / np.log(n))
    D[i] = 1 - e

# 根据信息效用计算各指标的权重
W = D / np.sum(D)  # 归一化得到权重

print("权重 W = ")
print(W)