Python综合评价模型(一)TOPSIS法

文章目录

      • 第一步 导入第三方库和案例数据
      • 第二步 标准化数据
      • 第三步 求解正理想解和负理想解
      • 第四步 计算各评价对象与正理想解、负理想解的距离
      • 第五步 计算各评价对象与理想解的相对接近度
      • 下期预告 : Python综合评价模型(二)灰色关联度法
      • 关注公众号“TriHub数研社”发送“230212”获取案例数据和代码

TOPSIS法(理想解排序法)是基于评价指标的正理想解和负理想解对评价对象进行综合评价

正理想解——各评价指标的最好值

负理想解——各评价指标的最差值

第一步 导入第三方库和案例数据

import numpy as np
import pandas as pd
#按指定路径导入数据,以“地区”为索引(文件路径需按实际情况更换)
data = pd.read_excel(r'C:/Users/AROUS/Desktop/综合评价案例数据.xlsx', index_col = '地区')
data

Python综合评价模型(一)TOPSIS法_第1张图片

第二步 标准化数据

#定义z-score标准化函数
def z_score(x): 
    return (x - x.mean()) / x.std()
#z-score标准化数据
data_z = data.apply(z_score, 0)
data_z

Python综合评价模型(一)TOPSIS法_第2张图片

第三步 求解正理想解和负理想解

#逐列求解最大值
cplus = data_z.max(axis = 0)
#逐列求解最小值
cminus = data_z.min(axis = 0)

第四步 计算各评价对象与正理想解、负理想解的距离

#计算各评价对象与正理想解的距离(评价对象指标值与正理想解的欧氏距离)
dplus = np.linalg.norm(data_z - cplus, axis = 1)
#计算各评价对象与负理想解的距离(评价对象指标值与负理想解的欧氏距离)
dminus = np.linalg.norm(data_z - cminus, axis = 1)
data_z['正理想解距离'] = dplus
data_z['负理想解距离'] = dminus
data_z

Python综合评价模型(一)TOPSIS法_第3张图片

第五步 计算各评价对象与理想解的相对接近度

data_z['TOPSIS法得分'] = dminus/(dplus + dminus)
data_z

Python综合评价模型(一)TOPSIS法_第4张图片

下期预告 : Python综合评价模型(二)灰色关联度法

关注公众号“TriHub数研社”发送“230212”获取案例数据和代码

你可能感兴趣的:(Python综合评价,python,数据分析)