python实现熵权topsis

在Python中，Topsis (Technique for Order of Preference by Similarity to Ideal Solution)是一种决策分析方法，用于评估多个方案的相对优势。熵权法通常用于确定每个评价指标的重要程度，基于信息熵来量化不确定性。

以下是使用Python实现Entropy Weighted Topsis的基本步骤：

1. 导入所需库：

import numpy as np
from scipy.stats import entropy

2. 定义函数计算熵值：

def calculate_entropy(values):
    prob = values / np.sum(values)
    return entropy(prob)

3. 准备矩阵（方案和指标）：

criteria = [[...]], # 矩阵，其中每一行代表一个指标，列是所有方案的得分
weights = [...],     # 权重列表，对应于criteria的列

4. 计算熵权重：

entropy_values = [calculate_entropy(column) for column in criteria]
entropies = np.array(entropy_values)
normalized_weights = weights / entropies

5. 计算理想解（最小化）和反理想解（最大化）：

ideal_solution = np.min(criteria, axis=0)
anti_ideal_solution = np.max(criteria, axis=0)

6. 计算偏离度和偏好值：

deviation = criteria - ideal_solution
preference = normalized_weights * deviation

7. 汇总偏好值，计算综合得分：

comparative_solutions = preference + anti_ideal_solution
scores = comparative_solutions.sum(axis=1)

8. 找出优胜者：

best_index = np.argmax(scores)