topsis熵权法python案例

当然，我可以为您提供一个基于Python的TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution）熵权法的案例。

首先，您需要安装NumPy和Pandas库，因为我们将使用它们来进行数据处理和计算。您可以使用以下命令安装这些库：

pip install numpy pandas

下面是一个示例代码，展示了如何使用TOPSIS熵权法对一个给定的决策矩阵进行排序：

import numpy as np
import pandas as pd

def topsis(df):
    # 数据预处理
    normalized_matrix = df.iloc[:, 1:].values / np.sqrt(np.sum(df.iloc[:, 1:].values**2, axis=0))
    weights = df.iloc[:, 0].values / np.sum(df.iloc[:, 0].values)
    
    # 计算正理想解和负理想解
    positive_ideal_solution = np.max(normalized_matrix, axis=0)
    negative_ideal_solution = np.min(normalized_matrix, axis=0)
    
    # 计算距离
    positive_distances = np.sqrt(np.sum((normalized_matrix - positive_ideal_solution)**2, axis=1))
    negative_distances = np.sqrt(np.sum((normalized_matrix - negative_ideal_solution)**2, axis=1))
    
    # 计算相对接近度
    closeness = negative_distances / (positive_distances + negative_distances)
    
    # 排序并返回结果
    df['Closeness'] = closeness
    df.sort_values(by='Closeness', ascending=False, inplace=True)
    return df

# 示例数据
data = {
    'Criteria': ['C1', 'C2', 'C3', 'C4'],
    'A1': [3, 2, 5, 4],
    'A2': [4, 6, 8, 7],
    'A3': [2, 4, 6, 5],
    'A4': [5, 7, 9, 8]
}

# 创建DataFrame
df = pd.DataFrame(data)

# 调用TOPSIS函数
result = topsis(df)

# 打印排序结果
print(result)

在以上示例中，我们使用一个4个决策准则和4个方案的示例数据。您可以根据自己的需求修改决策准则和方案的数量和值。

希望这个案例对您有所帮助！如有任何疑问，请随时提问。