R语言构建层次分析模型不看一下吗~
作者简介
杜雨，EasyCharts团队成员，R语言中文社区专栏作者，兴趣方向为：Excel商务图表，R语言数据可视化，地理信息数据可视化。
个人公众号：数据小魔方（微信ID：datamofang） ，“数据小魔方”创始人。
精彩集锦
那些年倒腾的R语言学习笔记，全都在这里了~
左手用R右手Python系列之——表格数据抓取之道
左手用R右手Python系列——循环中的错误异常规避
左手用R右手Python系列——异常捕获与容错处理
左手用R右手Python系列——任务进度管理
左手用R右手Python——CSS网页解析实战
左手用R右手Python系列17——CSS表达式与网页解析
左手用R右手Python系列之——字符串格式化进阶
R语言数据分析笔记——Cohort 存留分析
左手用R右手Python系列之——字符串格式化进阶
R语言多任务处理与并行运算包——foreach
R语言学习笔记之——数据处理神器data.table
ggplot2学习笔记——图例系统及其调整函数
R语言构建RFM模型了解一下
点击图片，查看详情
AHP (Analytic Hierarchy Process)层次分析法是美国运筹学家Saaty教授于二十世纪80年代提出的一种实用的多方案或多目标的决策方法。其主要特征是，它合理地将定性与定量的决策结合起来，按照思维、心理的规律把决策过程层次化、数量化。
层次分析法的基本思路：先分解后综合
首先将所要分析的问题层次化，根据问题的性质和要达到的总目标，将问题分解成不同的组成因素，按照因素间的相互关系及隶属关系，将因素按不同层次聚集组合，形成一个多层分析结构模型，最终归结为最低层（方案、措施、指标等）相对于最高层（总目标）相对重要程度的权值或相对优劣次序的问题。
用AHP分析问题大体要经过以下五个步骤：
（1）建立层次结构模型；
（2）构造判断矩阵；
（3）层次单排序；
（4）一致性检验；
（5）层次总排序。
其中后三个步骤在整个过程中需要逐层地进行。
以下是一个情景案例：
假期你想要出去旅游，现有三个目的地（方案）：
古风古韵的西安（P1）；
天府之国的成都（P2）；
如诗如画的杭州（P3）。
假如选择的标准和依据（行动方案准则）有5个：
景色，费用，饮食，居住和旅途。
则常规思维的方式一般是：
1、先确定这些准则在心中的各自占比的大小；
2、然后就每一准则将三个地点进行比较；
3、最后将这两个层次的比较判断进行综合，做出选择。
以下是根据分析思路构建的层次分析法结构模型：
以上结构模型中，我们需要比较准侧层各个准则相对于目标的权重，同时也要比较方案层各个方案相对于准侧层每一个准则的权重。
权重的判断建立在专家打分的基础上，即通过一组打分标准，来赋予单层各个指标的相对权重。
这里的打分机制使用1~9标度法：
1代表两个元素相比，具有相同的重要性；
3代表两个元素相比，前者比后者稍重要；
5代表两个元素相比，前者比后者明显重要；
7代表两个元素相比，前者比后者极其重要；
9代表两个元素相比，前者比后者强烈重要
2，4，6，8表示上述相邻判断的中间值。
以上准则层的5个指标依次是：
景色：C1
费用：C2
居住：C3
饮食：C4
旅途：C5
相对于目标层：选择旅游地，进行两两比较打分。
景色 费用 居住 饮食 旅途 C1 C2 C3 C4 C5
C1 1 1/2 4 3 3
C2 2 1 7 5 5
C3 1/4 1/7 1 1/2 1/3
C4 1/3 1/5 2 1 1
C5 1/3 1/5 2 1 1
构造所有相对于不同准则的方案层判断矩阵
相对于景色
P1 p2 p3
P1 1 2 5
P2 1/2 1 2
P3 1/5 1/2 1
相对于费用
P1 p2 p3
P1 1 1/3 1/8
P2 3 1 1/3
P3 8 3 1
相对于居住
P1 p2 p3
P1 1 1 3
P2 1 1 3
P3 1/3 1/3 1
相对于饮食
P1 p2 p3
P1 1 3 4
P2 1/3 1 1
P3 1/4 1 1
相对于旅途
P1 P2 P3
P1 1 1 1/4
P2 1 1 1/4
P3 4 4 4
以下是整个层次分析法的整个建模流程：
#清空R语言环境内存
rm(list = ls())gc()
#加载包
library("readxl")
library("dplyr")
library("magrittr")准则层：
C1——景色
C2——费用
C3——居住
C4——饮食
C5——旅途
方案层：
P1——西安
P2——成都
P3——杭州
准则层与方案层的判定矩阵:（专（hu）家 (luan) 打 (tian) 分 (xie) ）
#准则层判断矩阵
data_C <- matrix( c(1,2,1/4,1/3,1/3,1/2,1,1/7,1/5,1/5,4,7,1,2,3,3,5,1/2,1,1,3,5,1/3,1,1), nrow = 5, dimnames = list(c("C1","C2","C3","C4","C5"),c("C1","C2","C3","C4","C5")))
#景色判断矩阵
data_B1 <- matrix( c(1,1/2,1/5,2,1,1/2,5,2,1), nrow = 3, dimnames = list(c("P1","P2","P3"),c("P1","P2","P3")))
#费用判断矩阵
data_B2 <- matrix( c(1,3,8,1/3,1,3,1/8,1/3,1), nrow = 3, dimnames = list(c("P1","P2","P3"),c("P1","P2","P3")))
#居住判断矩阵
data_B3 <- matrix( c(1,1,1/3,1,1,1/3,3,3,1), nrow = 3, dimnames = list(c("P1","P2","P3"),c("P1","P2","P3")))
#饮食判断矩阵
data_B4 <- matrix( c(1,1/3,1/4,3,1,1,4,1,1), nrow = 3, dimnames = list(c("P1","P2","P3"),c("P1","P2","P3")))
#路途判断矩阵
data_B5 <- matrix( c(1,1,4,1,1,4,1/4,1/4,1), nrow = 3, dimnames = list(c("P1","P2","P3"),c("P1","P2","P3")))准侧层判别过程：
1、判断矩阵归一化：
Weigth_fun <- function(data){
if(class(data) == 'matrix'){ data = data } else {
if ( class(data) == 'data.frame' & nrow(data) == ncol(data) - 1 & is.character(data[,1,drop = TRUE])){ data = as.matrix(data[,-1]) } else if (class(data) == 'data.frame' & nrow(data) == ncol(data)) { data = as.matrix(data) } else {
stop('please recheck your data structure , you must keep a equal num of the row and col') } } sum_vector_row = data %>% apply(2,sum) decide_matrix = data %>% apply(1,function(x) x/sum_vector_row) weigth_vector = decide_matrix %>% apply(2,sum) result = list(decide_matrix = decide_matrix, weigth_vector = weigth_vector/sum(weigth_vector ))
return(result)}Weigth_fun(data_C)2、输出特征向量λ
AW_Weight <- function(data){
if(class(data) == 'matrix'){ data = data } else {
if ( class(data) == 'data.frame' & nrow(data) == ncol(data) - 1 & is.character(data[,1,drop = TRUE])){ data = as.matrix(data[,-1]) } else if (class(data) == 'data.frame' & nrow(data) == ncol(data)) { data = as.matrix(data) } else {
stop('please recheck your data structure , you must keep a equal num of the row and col') } } AW_Vector = data %*% Weigth_fun(data)$weigth_vector λ = (AW_Vector/Weigth_fun(data)$weigth_vector) %>% sum(.) %>% `/`(length(AW_Vector)) result = list( AW_Vector = AW_Vector, `∑AW/W` = AW_Vector/Weigth_fun(data)$weigth_vector, λ = λ ) return(result)}AW_Weight(data_C)3、一致性检验：
Consist_Test <- function(λ,n){ RI_refer = c(0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54) CI = (λ - n)/(n - 1) CR = CI/(RI_refer[n])
if (CR <= .1){ cat(" 通过一致性检验！",sep = "
") cat(" Wi: ", round(CR,4), "
") } else { cat(" 请调整判断矩阵！","
") } return(CR)}Consist_Test(AW_Weight(data_C)$λ,5)通过一致性检验！
Wi: 0.0163
[1] 0.01627942
OutPut:
(利用上述各步代码，将准则层、方案层的所有权重向量、特征值及一致性检验结果输出)
#准则层：
rule_Weigth_C <- Weigth_fun(data_C)$weigth_vector #准则层特征向量
rule_λ_C <- AW_Weight(data_C)$λ #准则层特征值
CR_C <- Consist_Test(AW_Weight(data_C)$λ,5) #准则层一致性检验：
rule_Weigth_C1 <- Weigth_fun(data_B1)$weigth_vector #方案层(for C1)特征向量
rule_Weigth_C2 <- Weigth_fun(data_B2)$weigth_vector #方案层(for C2)特征向量
rule_Weigth_C3 <- Weigth_fun(data_B3)$weigth_vector #方案层(for C3)特征向量
rule_Weigth_C4 <- Weigth_fun(data_B4)$weigth_vector #方案层(for C4)特征向量
rule_Weigth_C5 <- Weigth_fun(data_B5)$weigth_vector #方案层(for C5)特征向量
scheme_λ_C1 <- AW_Weight(data_B1)$λ #方案层(for C1)特征值
scheme_λ_C2 <- AW_Weight(data_B2)$λ #方案层(for C2)特征值
scheme_λ_C3 <- AW_Weight(data_B3)$λ #方案层(for C3)特征值
scheme_λ_C4 <- AW_Weight(data_B4)$λ #方案层(for C4)特征值
scheme_λ_C5 <- AW_Weight(data_B5)$λ #方案层(for C5)特征值
CR_C1 <- Consist_Test(AW_Weight(data_B1)$λ,3) #方案层(for C1)一致性检验
CR_C2 <- Consist_Test(AW_Weight(data_B2)$λ,3) #方案层(for C2)一致性检验
CR_C3 <- Consist_Test(AW_Weight(data_B3)$λ,3) #方案层(for C3)一致性检验
CR_C4 <- Consist_Test(AW_Weight(data_B4)$λ,3) #方案层(for C4)一致性检验
CR_C5 <- Consist_Test(AW_Weight(data_B5)$λ,3) #方案层(for C5)一致性检验层次总排序：
all_matrix <- matrix(c(rule_Weigth_C1,rule_Weigth_C2,rule_Weigth_C3,rule_Weigth_C4,rule_Weigth_C5),nrow = 3)decide_result <- all_matrix %*% rule_Weigth_Cdimnames(decide_result) <- list(c("P1","P2","P3"),"score") scoreP1 0.2990074
P2 0.2454134
P3 0.4555792
P3(杭州) > p1（西安） > P2（成都）最终决策结果显示，我们应该去的地方推荐优先级分别为：杭州 > 西安 > 成都
备注（因为打分数据是虚构的，所以并没有任何决策价值）
Python:
（备注：这里只给出使用Python构造模型的工具代码，具体判定过程需要自己操作）
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import time
import numpy as np
import pandas as pd import os
from scrapy.exceptions import DropItemnp.random.seed(233333)os.chdir('D:/R/File')
#！！！
#温馨提示，这里的函数是基于pandas数据框，
#如果直接构造的矩阵数组，需要微调代码！#判定矩阵归一化
def Weight(data): if data.shape[0] == data.shape[1] - 1 and data.iloc[:,0].dtype == 'object': data = data.iloc[:,1:] data.index = data.columns elif data.shape[0] == data.shape[1]: data.index = data.columns
else:
raise DropItem("please recheck your data structure , you must keep a equal num of the row and col") weigth_matrix = data.loc[:,].values weight_vector = weigth_matrix/np.sum(data.loc[:,].values,0) sum_vector_col = weight_vector.sum(axis = 1)
return {
"weigth_matrix":weigth_matrix,
"weight_vector":sum_vector_col/sum_vector_col.sum() }Weight(mydata)["weigth_matrix"]Weight(mydata)["weight_vector"]#计算权重矩阵与特征值、特征向量
def AW_Weight(data): if data.shape[0] == data.shape[1] - 1 and data.iloc[:,0].dtype == 'object': data = data.iloc[:,1:] data.index = data.columns elif data.shape[0] == data.shape[1]: data.index = data.columns
else:
raise DropItem("please recheck your data structure , you must keep a equal num of the row and col") AW_Vector = np.dot(data.values,Weight(mydata)["weight_vector"]) λ = (AW_Vector/Weight(mydata)["weight_vector"]).sum()/len(AW_Vector)
return dict( AW_Vector = AW_Vector, AW_Vector_w = AW_Vector/Weight(mydata)["weight_vector"], λ = λ )AW_Weight(mydata)["AW_Vector"]AW_Weight(mydata)["AW_Vector_w"]AW_Weight(mydata)["λ"]#一致性检验
def Consist_Test(λ,n): RI_refer = [0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54] CI = (λ - n)/(n - 1) CR = CI/(RI_refer[n-1])
if (CR <= 0.1): print(" 通过一致性检验！") print(" Wi: ", np.round(CR,4))
else: print(" 请调整判断矩阵！","
")
return np.round(CR,4)层次分析法虽然在多目标决策上可以很好地将定性决策定量化，但越是完美无缺的：
1~9标准打分机制是否合理（因为几乎很难区别出临界两个分值之间的区别）
专家打分如何保证专家基于同一样的评分尺度、客观公允不划水，这些都是问题。
没有完美无缺的模型，还是要具体问题具体分析，多方案交叉验证效果！
参考资料：
《层次分析法原理》——章牧
如果你想要深入的去学ggplot2，但是又苦于平时学习、工作太忙木有时间研究浩如烟海的源文档，那也没关系，本小编最近花了不少功夫，把我自己学习ggplot2过程中的一些心得体会、学习经验、仿入坑指南精心整理，现已成功上线了R语言ggplot2可视化的视频课程，由天善智能独家发行，希望这门课程可以给你的R语言数据可视化学习带来更加丰富的体验。
相关课程推荐
体系全面，最具调性！R语言可视化&商务图表实战课程：
点击“阅读原文”开启新姿势