导入xlsx数据做熵权topsis综合评价模型代码（有正向指标和负向指标）（输出结果包括到正负理想解的距离、权重、得分）

导入Excel数据并使用熵权TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) 综合评价模型，通常涉及以下几个步骤。这里以Python的pandas库和sklearn.preprocessing库为例，因为它们能方便地处理Excel数据和计算熵权。假设你的数据包含正向和负向指标列：

import pandas as pd
from sklearn.feature_selection import EntropySelection
from topsis import topsis
from scipy.stats import entropy

# 1. 加载Excel数据
data = pd.read_excel('input.xlsx', sheet_name='Sheet1') # 将'input.xlsx'替换为实际文件名

# 2. 确定正向和负向指标列
positive_columns = ['指标1', '指标2', ...]  # 正向指标列表
negative_columns = ['指标3', '指标4', ...]  # 负向指标列表

# 3. 计算熵权
def calculate_entropy(column_data):
    return entropy(column_data.dropna().astype(float).value_counts(normalize=True))

entropy_weights = {col: calculate_entropy(data[col]) for col in positive_columns + negative_columns}

# 使用EntropySelection选择权重
selector = EntropySelection(score_func=calculate_entropy, k=len(positive_columns + negative_columns), verbose=0)
indices = selector.fit_transform(data[positive_columns + negative_columns])
weights = data.iloc[:, indices].sum(axis=1) / sum(weights.values)

# 4. Topsis计算
scores, distances = topsis(data[positive_columns + negative_columns], weights, np.array(list(positive_columns)), np.array(list(negative_columns)))

# 结果输出
for i, row in scores.iterrows():
    print(f"实例{i+1}的得分: {row[0]}, 正向理想解距离: {distances[i][0]}, 负向理想解距离: {distances[i][1]}")
    print(f"权重分配: {weights[i]}")

#