python topsis法代码

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）是一种决策分析方法，用于确定每个选项相对于理想解和反理想解的最佳程度。在Python中，我们可以使用pandas和numpy库来实现Topsis算法。下面是一个简单的Topsis法代码示例：

import pandas as pd
import numpy as np

def topsis(dataframe, weights, ideal_best, ideal_worst):
    """
    参数：
    dataframe (pd.DataFrame): 数据集，每一行代表一个决策对象，一列对应一个指标
    weights (list): 权重列表，对应dataframe的列
    ideal_best (list): 最优值列表，对于正向指标，这些值表示理想状态
    ideal_worst (list): 最劣值列表，对于负向指标，这些值表示理想状态
    
    返回：
    results (DataFrame): 决策结果，包含每个决策对象的排序优先级
    """
    # 计算各指标的标准差和平均值
    std_dev = dataframe.std()
    avg = dataframe.mean()

    # 归一化数据
    normalized_df = (dataframe - avg) / std_dev

    # 乘以权重并求和得到每个决策对象的相对优势值
    performance_score = normalized_df.dot(weights)

    # 计算距离
    distance_to_ideal = performance_score - ideal_best
    distance_to_worst = abs(performance_score - ideal_worst)

    # 加权距离，正值靠近最佳，负值靠近最差
    weighted_distance = distance_to_ideal / (distance_to_ideal + distance_to_worst)

    # 从高到低排序
    ranking = weighted_distance.sort_values(ascending=False)

    # 创建结果数据框
    results = pd.DataFrame({'Index': range(1, len(dataframe)+1), 'Ranking': ranking})

    return results

# 使用示例
data = pd.DataFrame({
    'Feature1': [8, 5, 7, 9],
    'Feature2': [5, 4, 6, 8],
    'Feature3': [9, 7, 8, 6]
})  # 这里假设有三个指标
weights = [0.25, 0.5, 0.25]  # 权重设定
ideal_best = [9, 9, 9]  # 理想值，这里是最大值
ideal_worst = [1, 1, 1]  # 理想值，这里是最小值

results = topsis(data, weights, ideal_best, ideal_worst)
print(results)

这只是一个基础的实现，实际应用中可能还需要考虑异常处理、用户输入验证等细节。