我们在进行综合评价的时候需要确定每个指标的权重权重设置的差异会导致出现完全不同的评价结果然而权重的确定是一个令人头疼的事情。权重的确定方法主要可以分成三大类主观赋权以及客观赋权以及主客观相结合的方式。这里我们不讨论各种方式的优缺点以及各种方法的理论直接使用代码实现三大类方法各一种层次分析法AHP## 层次分析法权重计算 def AHP(A): AA #step:计算特征值和对应的特征向量 A_lambda,A_vectornp.linalg.eig(A) #step2:获取对他的特征值 A_maxlambdamax(A_lambda).real.round(4) #step3:获取对打特征值的索引号 A_indexnp.argmax(A_lambda) #step4:获取最大特征值对应的特征向量 A_maxvectorA_vector[:,A_index].real.round(4) # step5: 特征值法求权重 A_weightA_maxvector/A_maxvector.sum() # 进行一致性检验 RI_list [0, 0, 0.58 , 0.90, 1.12, 1.24, 1.32, 1.41, 1.45] A_CI(A_maxlambda-A.shape[0])/(A.shape[0]-1) A_RIRI_list[A.shape[0]-1] A_CRA_CI/RI_list[A.shape[0]-1] if A_CR0.1 : print(CR值为,A_CR, 小于0.1 通过一致性检验) return A_weight,A_maxlambda else: print(CR值为,A_CR, 未通过一致性检验)熵值法import math from numpy import array # 定义熵值法确定权重 def cla_entry_weight(data): xdata #求k rowsx.index.size # 行 colsx.columns.size # 列 k1.0/math.log(rows) lnf [[None] * cols for i in range(rows)] #矩阵计算 #信息熵 x array(x) lnf [[None] * cols for i in range(rows)] lnf array(lnf) for i in range(0, rows): for j in range(0, cols): if x[i][j] 0: lnfij 0.0 else: p x[i][j] / x.sum(axis0)[j] lnfij math.log(p) * p * (-k) lnf[i][j] lnfij lnf pd.DataFrame(lnf) E lnf # 计算冗余度 d 1 - E.sum(axis0) # 计算各指标的权重 w [[None] * 1 for i in range(cols)] for j in range(0, cols): wj d[j] / sum(d) w[j] wj # 计算各样本的综合得分,用最原始的数据 wpd.DataFrame(w) return w博弈论import pandas as pd import numpy as np #层次分析法获取权重 w1np.array([[0.1675,0.06,0.025,0.345,0.105,0.105,0.195]]) #熵值法获取权重 w2np.array([0.344,0,0.074,0.184,0.096,0,0.302]) def game_throry(w1,w2): w1:方法1计算的权重 w2:方法2计算的权重 d1:博弈论中w1的占比 d2:博弈论中w2的占比 w计算结果 w1w1 w2w2 w1_Tw1.T w2_Tw2.T AAw1.dot(w1_T).reshape(1) BBw1.dot(w2_T).reshape(1) CCw2.dot(w1_T).reshape(1) DDw2.dot(w2_T).reshape(1) mmnp.array([[AA,BB],[CC,DD]]).reshape(2,2) Ynp.concatenate((AA,DD)).reshape(2,1) renp.linalg.solve(mm,Y) d1re[0]/(re.sum()) d2re[1]/(re.sum()) ww1*d1w2*d2 return d1,d2,w