指标权重计算的几种常用方法及代码 _生活知道

矿工最近做项目的时候，遇到一个需求，甲方巴巴要求对一个双层结构的指标体系进行评分，结果
一顿Google猛如虎，
有用结果不过五。
大刀阔斧瞎捣鼓，
自研算法出权数。
路过壮士请留步，
动动手指点关注。
在统计理论和实践中，权重是表明各个评价指标（或者评价项目）重要性的权数，表示各个评价指标在总体中所起的不同作用。在具体业务场景中，最常见的评价指标类型分为：单层指标体系和双层指标体系。
单层指标体系
双层指标体系
针对两类指标体系本文提供以下三大类五种赋权算法进行指标赋权。
主观赋权法：g_one
客观赋权法：变异系数法、熵权法、主成分分析法
集成赋权法：乘法集成
对于各个算法具体原理，可自己Google和百度一下，这里只简单介绍一下算法本质，主观赋权法顾名思义就是人为拍脑袋进行赋权，最早的算法是德尔菲法又名专家法，简单粗暴直接拍脑袋定权重，后期又出现层次分析法和g_one法，后者是前者的优化和改进版本，也是本文所用的方法，这两类算法的原理是相较于对指标进行整体比较，人更容易做出两两比较的理性判断，所以“专家”只需要拍定每两个指标之间的相对重要性，就可推导得到整体指标体系中各个指标的相对重要性。
客观赋权法，则是根据数据反映的信息量，进行赋权，信息量越大的数据其对应指标权重越大，根据信息量的衡量方式不同就衍生出了不同的客观赋权方法：熵权法利用信息熵来衡量数据反映的信息量，变异系数法则是用变异系数反映信息量，主成分分析法则是利用各个指标对主成分的贡献度作为衡量指标。
集成赋权法：将主观赋权与客观赋权得到的权重进行集成，根据计算方法不同，可分为：加法集成、乘法集成等
理论讲完，下面开始撸码。
熵权法
def entropy_weight:
x = x.apply) /– np.min)))
index_list = x.columns.tolist
rows, cols = x.shape
k = 1.0 / np.log
x = np.array
lnf = [[None] * cols for i in range]
lnf = np.array
for i in range:
for j in range:
if x[i][j] == 0:
item = 0.0
else:
p = x[i][j] / x.sum[j]
item = np.log * p *
lnf[i][j] = item
lnf = pd.DataFrame
new_data = https://www.30zx.com/lnf
redund = 1 – new_data.sum
w = [[None] * 1 for i in range]
for j in range:
wj = redund[j] / sum
w[j] = wj
return w
主成分分析法
from sklearn.decomposition import PCA
def pca_weight:
index_list = data.columns.tolist
x = np.array
pca = PCA
pca.fit
component = pca.components_
variance_ratio = pca.explained_variance_ratio_
component = abs
for i in range:
component[:, i] = variance_ratio[i]*component[:, i]
a = pd.DataFrame
b = a.sum
c = b/b.sum
c = c.to_frame
return c
【指标权重计算的几种常用方法及代码】以上就是朝夕生活（www.30zx.com）关于“指标权重计算的几种常用方法及代码”的详细内容，希望对大家有所帮助！

指标权重计算的几种常用方法及代码

猜你喜欢