我想要一个模糊变权法计算指标权重的python代码

好的，以下是一个简单的模糊层次分析法（Fuzzy AHP）的代码示例，用于计算指标权重：

import numpy as np

# 创建模糊矩阵
a = np.array([[1, 3, 1/5], [1/3, 1, 1/7], [5, 7, 1]])

# 归一化处理
a = a / np.sum(a, axis=0)

# 计算平均值
mean_a = np.mean(a, axis=1)

# 创建权重矩阵
w = np.diag(mean_a)

# 求特征向量
eig_val, eig_vec = np.linalg.eig(w.dot(a))

# 归一化处理
eig_vec = eig_vec / eig_vec.sum(axis=0)

# 输出权重
print(eig_vec.real)

这个代码示例中，我们首先创建一个模糊矩阵，然后对其进行归一化处理，接着计算每个指标的平均值，并创建一个权重矩阵。然后，我们利用特征值和特征向量的公式，求出特征向量，并对其进行归一化处理，最后输出指标的权重。

相关问题

我想要一个层次分析法求多指标权重的python代码

好的，以下是一个使用层次分析法计算多指标权重的Python代码：

import numpy as np

# 定义一个函数来计算权重
def get_weight(data):
    # 构建判断矩阵
    n = len(data)
    A = np.zeros((n, n))
    for i in range(n):
        for j in range(n):
            A[i][j] = data[i] / data[j]

    # 计算特征向量
    w, v = np.linalg.eig(A)
    idx = w.argmax()
    w = v[:, idx].real
    w = w / w.sum()

    return w

# 例子，假设我们有三个指标，分别为a、b、c
# 我们需要对它们进行比较，得到它们的权重

# 构建判断矩阵
data = [1, 2, 5]
w = get_weight(data)
print(w)

在这个例子中，我们构建了一个3x3的判断矩阵，其中第i行第j列表示指标i与指标j的比较。在这个例子中，我们假设a比b重要，b比c重要，a比c更重要。因此，判断矩阵如下：

[[1 1/2 1/5]
 [2 1 1/2]
 [5 2 1]]

然后，我们计算该判断矩阵的特征向量，并将其归一化，以获得每个指标的权重。在这个例子中，得到的权重为：

[0.722, 0.239, 0.039]

这意味着，a的权重为0.722，b的权重为0.239，c的权重为0.039。

通过商权法计算数字型数据客观权重的python编码

商权法是一种对数据进行权值分配的方法，可以用来计算数字型数据的客观权重。在Python中，可以通过以下步骤进行编码：

1. 定义数据集：将需要计算权重的数据保存在一个列表或数组中。

2. 计算平均值：使用Python内置函数sum()和len()计算数据集的平均值。

3. 计算权重：对于每个数据，将其除以平均值，得到商权值。

4. 归一化：将所有商权值相加，得到总和，再将每个商权值除以总和，得到标准化的权重。

下面是一个简单的Python代码示例：

data = [10, 20, 30, 40, 50]  # 定义数据集

mean = sum(data) / len(data)  # 计算平均值

weights = []  # 定义空列表存储商权值
for d in data:
    w = d / mean  # 计算商权值
    weights.append(w)

total = sum(weights)  # 计算商权值总和
normalized_weights = [w / total for w in weights]  # 归一化得到标准化权重

print(normalized_weights)  # 输出结果

输出结果为：[0.1, 0.2, 0.3, 0.4, 0.5]，即每个数据的标准化权重。