topsis法python代码

下面是一个使用Python实现TOPSIS法的示例代码：

import numpy as np

def topsis(data, weights, impacts):
    # 归一化
    normalized_data = data / np.sqrt(np.sum(data**2, axis=0))
    
    # 权重化
    weighted_data = normalized_data * weights
    
    # 理想解和负理想解
    ideal_best = np.max(weighted_data, axis=1)
    ideal_worst = np.min(weighted_data, axis=1)
    
    # 距离计算
    distance_best = np.sqrt(np.sum((weighted_data - ideal_best)**2, axis=1))
    distance_worst = np.sqrt(np.sum((weighted_data - ideal_worst)**2, axis=1))
    
    # 相对接近度计算
    closeness = distance_worst / (distance_best + distance_worst)
    
    # 根据影响度排序
    sorted_indices = np.argsort(closeness) * (-1 if impacts == '+' else 1)
    
    return sorted_indices

# 示例数据
data = np.array([[3, 5, 4, 7],
                 [4, 6, 3, 8],
                 [6, 4, 5, 9],
                 [5, 7, 6, 6]])
weights = np.array([0.4, 0.3, 0.2, 0.1])
impacts = '+-++'

# 使用TOPSIS法进行排序
result = topsis(data, weights, impacts)
print(result)

在这个示例中，我们使用了一个4个决策指标和4个候选方案的数据集。`data`是一个二维数组，每一行代表一个候选方案的各个指标值。`weights`是一个一维数组，表示各个指标的权重。`impacts`是一个字符串，表示各个指标的影响度，"+"表示越大越好，"-"表示越小越好。

代码输出结果是一个排序后的索引数组，表示候选方案的排名顺序。