python實現TOPSIS

最近需要用一下TOPSIS算法，所以學了一下，然後網上搜了一下python代碼，但是download下來的代碼感覺有一些問題，所以自己基於download下來的代碼修改了一下，並且測試了一下。
本文主要是介紹下修改的python TOPSIS代碼，至於算法的介紹，給個鏈接，大家自己花個半小時看下即可，非常容易理解

一、TOPSIS算法介紹

TOPSIS算法介紹，這是網上的一篇博文，寫的非常得清晰易懂，而且這個算法本來就簡單，就不做過多介紹了，大家自己點開鏈接看一下就行了。

二、基於博主“XHHP”的python代碼的修改後的TOPSIS算法

原博文鏈接

2.1指標正向化

這一部分和原博文相同，沒有修改。輸入是一個np.array，返回是正向化後結果。輸入的array的每一行是一個樣本的各個指標，列數就是指標數，這個和通常的skilearn的輸入是相同的。

#極小型指標 -> 極大型指標
def dataDirection_1(datas):         
        return np.max(datas)-datas     #套公式

#中間型指標 -> 極大型指標
def dataDirection_2(datas, x_best):
    temp_datas = datas - x_best
    M = np.max(abs(temp_datas))
    answer_datas = 1 - abs(datas - x_best) / M     #套公式
    return answer_datas
    
#區間型指標 -> 極大型指標
def dataDirection_3(datas, x_min, x_max):
    M = max(x_min - np.min(datas), np.max(datas) - x_max)
    answer_list = []
    for i in datas:
        if(i < x_min):
            answer_list.append(1 - (x_min-i) /M)      #套公式
        elif( x_min <= i <= x_max):
            answer_list.append(1)
        else:
            answer_list.append(1 - (i - x_max)/M)
    return np.array(answer_list)   

case：
一箇中間型指標的正向化。

極小化指標正向化的case。

2.2正向化矩陣標準化(去除量綱影響)

自己重寫了一下這個標準化，輸入是一個二維的array，每一行是一個樣本，各個列就是各個指標。

def Standard(datas):
    K = np.power(np.sum(pow(datas,2),axis = 0),0.5)
    for i in range(len(K)):
        datas[: , i] = datas[: , i] / K[i]
    return datas 

case：

2.3計算得分並歸一化

之前標準化數據的輸出結果作爲輸入

def Score(sta_data):
    z_max = np.amax(sta_data , axis=0)
    z_min = np.amin(sta_data , axis=0)
    # 計算每一個樣本點與最大值的距離
    tmpmaxdist = np.power(np.sum(np.power((z_max - sta_data) , 2) , axis = 1) , 0.5)  # 每個樣本距離Z+的距離
    tmpmindist = np.power(np.sum(np.power((z_min - sta_data) , 2) , axis = 1) , 0.5)  # 每個樣本距離Z+的距離
    score = tmpmindist / (tmpmindist + tmpmaxdist)
    score = score / np.sum(score)  # 歸一化處理
    return score

case：

2.4將計算得到的得分與源數據一起進行整理，形成dataframe

testdata['score'] = sco
testdata.head(5)

case：

這樣一來，TOPSIS算法就已經全部完成了。

三、代碼獲取

代碼是用Jupyter Notebook寫的，放在github裏了，需要自己拿下好了。
TOPSIS算法（python實現）