层次分析法求权重python

以下是使用层次分析法求权重的Python代码：

import pandas as pd
import numpy as np

# 按指定路径导入判断矩阵（文件路径需按实际情况更换）
matrix = pd.read_excel(r'C:/Users/AROUS/Desktop/综合评价数据.xlsx', index_col='判断矩阵', sheet_name='层次分析')

# 计算判断矩阵的特征向量
eig_val, eig_vec = np.linalg.eig(matrix)
max_eig_val = max(eig_val)
max_eig_val_index = np.where(eig_val == max_eig_val)[0][0]
weight = eig_vec[:, max_eig_val_index] / sum(eig_vec[:, max_eig_val_index])
# 输出权重
print('权重为：')
for i in range(len(weight)):
    print(matrix.index[i], ':', weight[i])

其中，`matrix`是一个判断矩阵，`eig_val`和`eig_vec`分别是判断矩阵的特征值和特征向量，`max_eig_val`是特征值中的最大值，`max_eig_val_index`是最大特征值对应的特征向量的下标，`weight`是计算得到的权重向量。

相关问题

层次分析法特征值法求权重python代码

层次分析法（Analytic Hierarchy Process，AHP）是一种用于决策分析的方法，特征值法是AHP的一种求解权重的方法。下面是使用Python实现AHP特征值法求权重的代码示例：

import numpy as np

def ahp_eigenvalue(matrix):
    # 计算矩阵的特征值和特征向量
    eigenvalues, eigenvectors = np.linalg.eig(matrix)
    
    # 计算特征向量的归一化权重
    weights = eigenvectors[:, 0] / np.sum(eigenvectors[:, 0])
    
    return weights

# 示例矩阵
matrix = np.array([[1, 3, 5],
                   [1/3, 1, 2],
                   [1/5, 1/2, 1]])

# 调用函数计算权重
weights = ahp_eigenvalue(matrix)

# 输出结果
for i, weight in enumerate(weights):
    print(f"权重{chr(65+i)}: {weight}")

这段代码实现了AHP特征值法求解权重的功能。首先，定义了一个`ahp_eigenvalue`函数，该函数接受一个矩阵作为输入，并返回计算得到的权重。在函数内部，使用`np.linalg.eig`函数计算矩阵的特征值和特征向量，然后将特征向量的第一列进行归一化处理得到权重。最后，调用该函数并输出结果。

python 层次分析法 多层权重

在Python中，可以使用层次分析法来计算多层权重。下面是一个示例代码：

import numpy as np

# 构造判断矩阵
judgment_matrix = np.array([[1, 3, 5],
                           [1/3, 1, 2],
                           [1/5, 1/2, 1]])

# 计算相对权重
eigenvalues, eigenvectors = np.linalg.eig(judgment_matrix)
max_eigenvalue_index = np.argmax(eigenvalues)
weights = eigenvectors[:, max_eigenvalue_index / np.sum(eigenvectors[:, max_eigenvalue_index])

# 进行一致性检验
consistency_ratio = (np.max(eigenvalues) - judgment_matrix.shape - 1)
if consistency_ratio < 0.1:
    # 通过一致性检验，计算权重
    final_weights = weights
    # 根据权重进行排序
    sorted_indices = np.argsort(final_weights)[::-1]
    sorted_weights = final_weights