20210222业务总结：熵值法+AHP层次分析打分代码_ahp和熵值法复合使用-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_39676904/article/details/113955504

本文介绍如何使用熵值法和AHP层次分析法对业务中的多个对象进行打分，通过调整权重以兼顾数据客观性和主观需求。重点讲解了cal_Weight函数的实现，包括数据预处理、正负向指标处理、权重计算与调整过程，并给出了实际案例应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在业务中经常遇到需要对多个对象进行打分的任务，如何针对不同属性赋予权重是关键一步。为了既满足数据客观性又满足主管需求，一般通过熵值法结合AHP层次分析法（即专家打分法）赋予权重并进行评分。

主要方法是先根据熵值法计算一轮，需要给定正负向指标以及对象列。

在此基础上，允许对各层权重、独立权重进行调整，以符合实际需求。主要由函数cal_Weight实现。

代码如下：

import pandas as pd

class EmtropyMethod:
    def __init__(self, index, positive, negative, city):
        if len(index) != len(city):
            raise Exception('数据指标行数与行名称数不符')
        if sorted(index.columns) != sorted(positive + negative):
            raise Exception('正项指标加负向指标不等于数据指标的条目数')

        self.index = index.copy().astype('float64')
        self.positive = positive
        self.negative = negative
        self.city = city.copy()

    def uniform(self):
        uniform_mat = self.index.copy()
        min_index = {column: min(uniform_mat[column]) for column in uniform_mat.columns}
        max_index = {column: max(uniform_mat[column]) for column in uniform_mat.columns}
        for i in range(len(uniform_mat)):
            for column in uniform_mat.columns:
                if column in self.positive:
                    uniform_mat[column][i] = (uniform_mat[column][i] - min_index[column]) / (
                                m