如何用topsis法分析权重，python代码

Topsis（ Technique for Order of Preferences by Similarity to Ideal Solutions）法是一种偏好的排序方法，它依赖于给定的权重来衡量每个决策方案的优点和缺点。在使用Python进行Topsis分析时，首先需要定义权重、理想解（最好和最差状态），然后按照特定步骤计算各个方案的得分。以下是基本的步骤和Python代码示例：

1. **准备数据**：你需要一个二维数组，其中每一行代表一个决策方案，每一列表示一个属性（特征）及其对应的值。

2. **设置权重**：对于每一个属性，分配一个适当的权重。权重通常需要加总为1，以保证其有效性。

3. **计算极值**：找到每个属性的最好和最差可能值，作为理想解（Best）和理想逆解（Worst）。

4. **标准化数据**：将原始数据除以其标准偏差，并加上每个属性的均值，使得数据范围在[0,1]之间。

5. **计算绩效分**：将标准化后的值乘以相应的权重，得到每个方案的性能分。

6. **计算离度**：分别计算每个方案的理想解和理想逆解的距离。

7. **计算优势和劣势**：将离度转换成优势（理想解方向）和劣势（理想逆解方向）。

8. **加权距离**：通过乘以权重计算总加权距离。

9. **排序决策方案**：根据总加权距离对方案进行排序，优先级高的方案排在前面。

下面是使用Python的Pandas库实现的基本例子：

import pandas as pd
from scipy.stats import zscore

def topsis_analysis(data, weights, ideal_best, ideal_worst):
    # 步骤1：数据预处理
    df = pd.DataFrame(data)

    # 步骤2：标准化数据
    normalized_data = zscore(df)

    # 步骤3：计算绩效分
    performance_scores = normalized_data * weights

    # 步骤4：计算离度
    distance_to_ideal = performance_scores - ideal_best
    distance_to_worst = -1 * (performance_scores - ideal_worst)

    # 步骤5：计算优势和劣势
    advantages = distance_to_ideal
    disadvantages = distance_to_worst

    # 步骤6：加权距离
    weighted_advantages = advantages / (advantages.abs().sum(axis=1, keepdims=True) + disadvantages.abs().sum(axis=1, keepdims=True))
    weighted_disadvantages = disadvantages / (advantages.abs().sum(axis=1, keepdims=True) + disadvantages.abs().sum(axis=1, keepdims=True))

    # 步骤7：总加权距离
    total_score = (weighted_advantages * weights).sum(axis=1)
    worst_score = (weighted_disadvantages * weights).sum(axis=1)

    # 步骤8：排序
    df['Total Score'] = total_score
    df['Worst Score'] = worst_score
    df_sorted = df.sort_values(by='Total Score', ascending=False)

    return df_sorted

# 示例
data = [[8, 5, 7], [5, 4, 6], [9, 7, 8]]  # 3个决策方案，每个方案有3个属性
weights = [0.3, 0.4, 0.3]  # 属性权重
ideal_best = [10, 10, 10]  # 理想值
ideal_worst = [0, 0, 0]   # 理想逆值

result = topsis_analysis(data, weights, ideal_best, ideal_worst)
print(result)

请注意，这个代码假设了所有属性都是连续型的。如果属性是非线性的，可能需要先进行适当的数据转换。此外，`zscore`函数在这里用于标准化数据，如果你的数据不是连续的，可能需要其他方法进行归一化。