critic熵权法topsis python

你可以使用Python来实现熵权法和TOPSIS方法进行多属性决策。下面是一个简单的示例代码：

import numpy as np

def entropy_weights(data):
    n, m = data.shape
    entropy = np.zeros(m)
    for j in range(m):
        p = data[:, j] / np.sum(data[:, j])
        entropy[j] = -np.sum(p * np.log2(p))
    weights = (1 - entropy) / np.sum(1 - entropy)
    return weights

def topsis(data, weights, positive=True):
    n, m = data.shape
    weighted_data = data * weights
    if not positive:
        weighted_data = data / weights
    ideal_best = np.max(weighted_data, axis=0)
    ideal_worst = np.min(weighted_data, axis=0)
    distance_best = np.linalg.norm(weighted_data - ideal_best, axis=1)
    distance_worst = np.linalg.norm(weighted_data - ideal_worst, axis=1)
    closeness = distance_worst / (distance_best + distance_worst)
    rankings = np.argsort(closeness)
    return rankings

# 示例数据
data = np.array([[5, 7, 3, 8],
                 [2, 6, 4, 9],
                 [8, 4, 7, 2],
                 [6, 3, 5, 4]])

# 使用熵权法计算权重
weights = entropy_weights(data)

# 使用TOPSIS方法进行排序（正向指标）
rankings = topsis(data, weights)

print("权重:", weights)
print("排序结果:", rankings)

在上面的示例代码中，`data`是一个包含多个属性的矩阵，每一行代表一个样本，每一列代表一个属性。`entropy_weights`函数使用熵权法计算属性的权重，`topsis`函数使用TOPSIS方法根据权重进行排序。你可以根据你的实际情况修改示例代码来适应你的数据和需求。

请注意，这只是一个简单的示例代码，实际应用中可能需要考虑更多的因素和进行适当的调整。