ind.neg <- subset(meidi.posneg, meidi.posneg$weight < 0, select = c("id"))是什么意思

这是在R语言中对数据框(meidi.posneg)进行子集(subset)操作，筛选出其中 weight 列的值小于0的行，并从中选择 id 列作为新的数据框 ind.neg。

简单来说，就是把 meidi.posneg 中 weight 列小于0的行的 id 列提取出来作为 ind.neg 数据框。

相关问题

negdata <- word[word$id %in% ind.neg$id, ]是什么意思

这也是在R语言中对数据框操作，将 ind.neg 中的 id 列与 word 数据框中的 id 列进行匹配。若 word 数据框中的某一行的 id 值也在 ind.neg 中的 id 值中出现过，则将该行提取出来，组成新的数据框 negdata。

简单来说，就是从 word 数据框中提取出 id 列值与 ind.neg 数据框中的 id 列值相匹配的所有行，组成新的数据框 negdata。

#------（一）方法1：基于指标体系1的结果---- #--------1.数据导入------------- library(xlsx) d1.1 <- read.xlsx('data.xlsx', '2022', encoding = "UTF-8") #读取数据 head(d1.1,10) colnames(d1.1) d1 <- d1.1[,5:ncol(d1.1)] d1 <- abs(d1) #---------2.归一化处理--------------- Rescale = function(x, type=1) { # type=1正向指标, type=2负向指标 rng = range(x, na.rm = TRUE) if (type == 1) { (x - rng[1]) / (rng[2] - rng[1]) } else { (rng[2] - x) / (rng[2] - rng[1]) } } #---------3.熵值法步骤---------- #定义熵值函数 Entropy = function(x) { entropy=array(data = NA, dim = ncol(x),dimnames = NULL) j=1 while (j<=ncol(x)) { value=0 i=1 while (i<=nrow(x)) { if (x[i,j]==0) { (value=value) } else { (value=value+x[i,j]*log(x[i,j])) } i=i+1 } entropy[j]=value*(-1/log(nrow(x))) j=j+1 } return(entropy) } Entropy_Weight = function(X, index) { pos = which(index == 1) neg = which(index != 1) X[,pos] = lapply(X[,pos], Rescale, type=1) X[,neg] = lapply(X[,neg], Rescale, type=2) P = data.frame(lapply(X, function(x) x / sum(x))) e = Entropy(P) d = 1 - e # 计算信息熵冗余度 w = d / sum(d) # 计算权重向量 list(X = X,P = P, w=w) } #-------4.代入数据计算权重----- # -------二级指标权重------ ind=array(rep(1,ncol(d1))) aa=Entropy_Weight(X = d1,index = ind) weight=as.data.frame(aa["w"]) weigh X <- as.data.frame(aa["X"]) X P <- as.data.frame(aa["P"]) P d1.a <- X[,c(grep("A",colnames(X)))] d1.b <- X[,c(grep("B",colnames(X)))] d1.c <- X[,c(grep("C",colnames(X)))] d1a <- as.matrix(d1.a) d1b <- as.matrix(d1.b) d1c <- as.matrix(d1.c) n1 <- ncol(d1a) n2 <- ncol(d1b) n3 <- ncol(d1c) wa <- weight[1:n1,1] wb <- weight[(n1+1):(n1+n2),1] wc <- weight[(n1+n2+1):(n1+n2+n3),1] wa <- as.matrix(wa,ncol =1) wb <- as.matrix(wb,ncol =1) wc <- as.matrix(wc,ncol =1) indexa <- d1a%*%wa indexb <- d1b%*%wb indexc <- d1c%*%wc d1abc <- cbind(indexa,indexb,indexc) 参考以上代码，用不同一级指标下分别计算二级指标权重,

根据以上代码，可以分别针对不同的一级指标，使用熵值法计算出各自的二级指标权重。具体的实现步骤如下：

1. 读取数据并选择需要计算的指标列。

library(xlsx) 
d1.1 <- read.xlsx('data.xlsx', '2022', encoding = "UTF-8") 
d1 <- d1.1[,5:ncol(d1.1)] 
d1 <- abs(d1)

2. 进行归一化处理。

Rescale = function(x, type=1) { 
  # type=1正向指标, type=2负向指标 
  rng = range(x, na.rm = TRUE) 
  if (type == 1) { 
    (x - rng[1]) / (rng[2] - rng[1]) 
  } else { 
    (rng[2] - x) / (rng[2] - rng[1]) 
  } 
} 

d1[,1:4] = lapply(d1[,1:4], Rescale, type=1)
d1[,5:ncol(d1)] = lapply(d1[,5:ncol(d1)], Rescale, type=2)

3. 定义熵值函数。

Entropy = function(x) { 
  entropy=array(data = NA, dim = ncol(x),dimnames = NULL) 
  j=1 
  while (j<=ncol(x)) { 
    value=0 
    i=1 
    while (i<=nrow(x)) { 
      if (x[i,j]==0) { 
        (value=value) 
      } else { 
        (value=value+x[i,j]*log(x[i,j])) 
      } 
      i=i+1 
    } 
    entropy[j]=value*(-1/log(nrow(x))) 
    j=j+1 
  } 
  return(entropy) 
}

4. 定义计算二级指标权重的函数。

Entropy_Weight = function(X, index) { 
  pos = which(index == 1) 
  neg = which(index != 1) 
  X[,pos] = lapply(X[,pos], Rescale, type=1) 
  X[,neg] = lapply(X[,neg], Rescale, type=2) 
  P = data.frame(lapply(X, function(x) x / sum(x))) 
  e = Entropy(P) 
  d = 1 - e # 计算信息熵冗余度 
  w = d / sum(d) # 计算权重向量 
  list(X = X,P = P, w=w) 
}

5. 代入数据计算二级指标权重。

# 计算一级指标 A 的二级指标权重
d1.a <- d1[,c(grep("A",colnames(d1)))]
aa <- Entropy_Weight(X = d1.a, index = rep(1, ncol(d1.a)))
wa <- aa$w

# 计算一级指标 B 的二级指标权重
d1.b <- d1[,c(grep("B",colnames(d1)))]
aa <- Entropy_Weight(X = d1.b, index = rep(1, ncol(d1.b)))
wb <- aa$w

# 计算一级指标 C 的二级指标权重
d1.c <- d1[,c(grep("C",colnames(d1)))]
aa <- Entropy_Weight(X = d1.c, index = rep(1, ncol(d1.c)))
wc <- aa$w

6. 根据计算出来的二级指标权重，计算每个样本的综合得分。

indexa <- d1.a %*% wa
indexb <- d1.b %*% wb
indexc <- d1.c %*% wc
d1abc <- cbind(indexa, indexb, indexc)

以上代码可以根据实际情况进行调整，具体实现时需要注意数据的格式以及代码的正确性。