【Python】熵值法计算权重

【Python】熵值法计算权重

将分步骤基于python实现熵值法计算权重，代码在pycharm中执行。

1.引入库

将需要的库导入pycharm

import pandas as pd
import numpy as np
import math
from numpy import array

2.读取数据

filename为文件的路径

# 读取数据
df = pd.read_csv('filename.csv')
# 数据预处理 ,去除空值的记录
df.dropna()

3.熵值法主体

定义熵值法函数

def cal_weight(x):

进行标准化，这里用的是临界值法

 # 标准化
    x = x.apply(lambda x: ((x - np.min(x)) / (np.max(x) - np.min(x))))

求熵值中的常数k

 # 求熵值中的常数k
    rows = x.index.size  # 行
    cols = x.columns.size  # 列
    k = 1.0 / math.log(rows)

    lnf = [[None] * cols for i in range(rows)]

进行矩阵计算，求熵

# 矩阵计算--
    # 信息熵
    x = array(x)
    lnf = [[None] * cols for i in range(rows)]
    lnf = array(lnf)
    for i in range(0, rows):
        for j in range(0, cols):
            if x[i][j] == 0:
                lnfij = 0.0
            else:
                p = x[i][j] / x.sum(axis=0)[j]
                lnfij = math.log(p) * p * (-k)
            lnf[i][j] = lnfij
    lnf = pd.DataFrame(lnf)
    E = lnf

计算冗余度

# 计算冗余度
    d = 1 - E.sum(axis=0)

计算权重

 # 计算各指标的权重
    w = [[None] * 1 for i in range(cols)]
    for j in range(0, cols):
        wj = d[j] / sum(d)
        w[j] = wj

    w = pd.DataFrame(w)
    return w

4.打印出各指标的权重

weights = []
if __name__ == '__main__':
    # 计算df各字段的权重
    w = cal_weight(df)  # 调用cal_weight
    weights1 = np.array(w)
    weights = weights1.tolist()
    w.index = df.columns
    w.columns = ['weight']
    print(w)

5.将结果存储至csv文件中

#mode=‘a’：即向csv文件追加数据，按行追加
#header=True：写入dataframe的列名（表头）
#index=None：不添加索引列
w.to_csv('grades.csv', mode='w', header=True, index=None)

总结

本文利用python实现了熵值法的计算，可求出各指标的所占的权重，最后结果可再进行一次归一化。