r 做熵权topsis 代码

熵权TOPSIS是一种基于熵权系数计算的多属性决策方法，可以用于评估和排序多个候选方案。下面是一个示例代码：

import numpy as np

def entropy_weight(data):
    # 计算每个属性的熵
    entropy = []
    for column in data.T:
        p = np.array([np.count_nonzero(column==value)/len(column) for value in set(column)]) # 计算每个属性值的频率
        entropy.append(-np.sum(p * np.log2(p))) # 计算每个属性的熵
    entropy = np.array(entropy)
    # 计算每个属性的权重
    weights = (1-entropy) / np.sum(1-entropy)
    return weights

def topsis(data, weights):
    # 数据归一化
    normalized_data = data / np.sqrt(np.sum(data**2, axis=0))
    # 乘以权重
    weighted_data = normalized_data * weights
    # 理想解和负理想解
    ideal_solution = np.max(weighted_data, axis=1)
    negative_ideal_solution = np.min(weighted_data, axis=1)
    # 计算距离
    distance_to_ideal = np.sqrt(np.sum((weighted_data - ideal_solution)**2, axis=1))
    distance_to_negative_ideal = np.sqrt(np.sum((weighted_data - negative_ideal_solution)**2, axis=1))
    # 计算接近程度
    closeness = distance_to_negative_ideal / (distance_to_ideal + distance_to_negative_ideal)
    return closeness

# 示例数据
data = np.array([[3, 4, 2, 5, 1], [2, 5, 1, 4, 3], [5, 4, 3, 2, 1]])
weights = entropy_weight(data)
result = topsis(data, weights)
print(result)

这段代码实现了熵权TOPSIS方法。首先，在`entropy_weight`函数中计算了每个属性的熵，并根据熵计算了每个属性的权重。然后，在`topsis`函数中，将数据进行归一化处理，并乘以权重。接下来，计算理想解和负理想解，并根据两者计算出每个方案的距离。最后，计算出每个方案的接近程度。代码最后输出了接近程度的结果。你可以根据实际需求调整代码以适应不同的数据集。