运用python进行熵值法综合评价

第一步，读取数据；

import pandas as pd
import numpy as np

# 读取数据
data = pd.read_excel('F:\\Desktop\\python运行文件.xlsx')
data.set_index(['Unnamed: 0'], inplace=True)
data[:5]

第二步，数据标准化；

# 总指标数
n = list(data.columns)
# 最优指标，(x-min)/(max-min)
# 最劣指标 (max-x)/(max-min)
# 如果指标体系存在最优指标和最劣指标，采用下面的形式
for i in n:
   # 获取各个指标的最大值和最小值
    Max = np.max(data[i])
    Min = np.min(data[i])
    if (i == '城镇登记失业率（%）') or (i == '城镇与农村城镇人均可支配收入比值'):
         data[i] = (Max - data[i])/(Max - Min)
    else:
         # 标准化
        data[i] = (data[i] - Min)/(Max - Min) 
        
# 如果全是最优指标，采用下面的形式
for i in n:
   # 获取各个指标的最大值和最小值
    Max = np.max(data[i])
    Min = np.min(data[i])
    # 标准化
    data[i] = (data[i] - Min)/(Max - Min) 
    
# 建立数据比重矩阵
for i in n:
    # 计算指标总和
    Sum = np.sum(data[i])
    # 计算各地区某一指标占比
    data[i] = data[i]/Sum

第三步，计算指标信息熵e和信息效用值d;

# 地区总数
m = len(data)
E = []
# 计算信息熵值
for i in n:
    K = 1/np.log(m)
    e = - K * np.sum(data[i] * np.log(data[i]))
    E.append(e)
    
# 转换为数组形式
E = np.array(E)

# 计算效用价值
D = 1 - E

第四步，计算指标权重；

W = D/np.sum(D)
# 转换形式
W = np.array([W])

# 保存 权重 为excel格式
W1 = pd.DataFrame(W.T, index = n)
W1.to_excel('F:\\Desktop\\权重1.xlsx')

最后，计算样本评价值。

U = []
for i in range(1,len(data)+1):
    # 获取样本各个指标的值
    y = data[i-1:i].values
    u1 = y * W * 100
    # 转换为列表
    u1 = u1.tolist()
    u1 = u1[0]
    
    # 计算样本综合得分
    ## 因前文构建了数据权重矩阵，故最后综合得分总和为100
    u = np.sum(y * W) * 100
    # 转换为列表
    u = np.array([u])
    u = u.tolist()
    # 各指标得分 和 综合得分
    u = u1 + u
    U.append(u)
    
# 获取样本列表
area = list(data.index)

# 生成数据框
U = pd.DataFrame(U, index = area)
# 重新设置列名称
U.columns = n + ['综合得分']

# 为各个指标得分排名
for i in n:
    i1 = i + '  排名'
    U[i1] = U[i].rank(ascending = False)
     
# 为样本综合得分排名
U['综合得分  排名'] = U['综合得分'].rank(ascending = False)

# 保存为excel文件
U.to_excel('F:\\Desktop\\综合得分.xlsx')

U[:5]