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

相关问题

python层次分析法确定权重代码

层次分析法（AHP）是一种用于决策分析的方法，可以帮助我们确定各个因素的权重。下面是使用Python实现AHP的示例代码：

import numpy as np

# 定义判断矩阵
A = np.array([[1, 3, 5],
              [1/3, 1, 3],
              [1/5, 1/3, 1]])

# 计算每列的平均值
col_avg = np.mean(A, axis=0)

# 计算归一化矩阵
norm_A = A / col_avg

# 计算每行的平均值
row_avg = np.mean(norm_A, axis=1)

# 计算权重
weight = row_avg / np.sum(row_avg)
print(weight)

在这个例子中，我们定义了一个3x3的判断矩阵A，其中每个元素表示对应因素之间的重要性比较。然后，我们计算每列的平均值，得到一个向量，用于归一化判断矩阵。接着，我们计算每行的平均值，用于确定每个因素的权重。最后，我们将每个权重除以它们的总和，得到一个归一化的权重向量。

需要注意的是，AHP方法的结果可能会受到判断矩阵的选择和数据质量的影响。因此，在使用AHP方法进行决策分析时，需要谨慎选择和处理数据。

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。