1. 從“誰更優(yōu)秀”說起為什么我們需要TOPSIS法在日常生活和工作中我們經(jīng)常面臨“多選一”的難題。比如公司要采購一批設(shè)備有A、B、C三個(gè)供應(yīng)商每個(gè)供應(yīng)商的產(chǎn)品在價(jià)格、性能、售后服務(wù)、交貨周期等指標(biāo)上各有優(yōu)劣。再比如評(píng)選優(yōu)秀員工候選人張三、李四、王五在業(yè)績、團(tuán)隊(duì)協(xié)作、創(chuàng)新能力、客戶評(píng)價(jià)等維度上表現(xiàn)不一。我們?nèi)绾螐倪@些各有千秋的選項(xiàng)中客觀、公正地選出一個(gè)“綜合最優(yōu)”的方案最樸素的想法可能是“打分”。給每個(gè)指標(biāo)設(shè)定權(quán)重然后為每個(gè)選項(xiàng)在各個(gè)指標(biāo)上打分最后加權(quán)求和總分最高者勝出。這個(gè)方法看似合理但存在一個(gè)致命缺陷不同指標(biāo)的量綱和優(yōu)劣方向可能完全不同。價(jià)格是越低越好成本型指標(biāo)性能是越高越好效益型指標(biāo)。如果直接加權(quán)求和一個(gè)價(jià)格極低但性能也極差的方案可能會(huì)因?yàn)閮r(jià)格權(quán)重高而獲得高分這顯然不是我們想要的“綜合最優(yōu)”。TOPSIS法全稱“逼近理想解排序法”就是為了解決這類多屬性決策問題而生的。它的核心思想非常直觀且符合人類直覺最好的方案應(yīng)該離“理想中最好的那個(gè)點(diǎn)”最近同時(shí)離“理想中最差的那個(gè)點(diǎn)”最遠(yuǎn)。這里的“點(diǎn)”在多維空間中就是由各個(gè)評(píng)價(jià)指標(biāo)值構(gòu)成的一個(gè)坐標(biāo)。TOPSIS通過數(shù)學(xué)計(jì)算為每個(gè)待評(píng)價(jià)方案找出這兩個(gè)“距離”并以此計(jì)算出一個(gè)相對(duì)貼近度最終根據(jù)貼近度大小進(jìn)行排序。它完美地統(tǒng)一了不同量綱并同時(shí)考慮了效益型越大越好和成本型越小越好指標(biāo)是一種非常經(jīng)典且實(shí)用的綜合評(píng)價(jià)方法。我第一次在數(shù)學(xué)建模比賽中接觸TOPSIS時(shí)就被它的簡潔和強(qiáng)大所吸引。它不像一些復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型那樣是個(gè)“黑箱”其計(jì)算過程清晰透明結(jié)果易于解釋非常適合用于需要向決策者展示分析過程的場景。無論是學(xué)生做課程設(shè)計(jì)、參加競賽還是職場人士進(jìn)行項(xiàng)目評(píng)估、供應(yīng)商選擇掌握TOPSIS都是一項(xiàng)極具性價(jià)比的技能。2. TOPSIS法的核心原理尋找“理想”與“負(fù)理想”要理解TOPSIS關(guān)鍵在于理解三個(gè)核心概念理想解、負(fù)理想解和相對(duì)貼近度。我們可以把每個(gè)待評(píng)價(jià)的方案在TOPSIS中稱為“備選方案”想象成多維空間中的一個(gè)點(diǎn)維度就是評(píng)價(jià)指標(biāo)。2.1 理想解與負(fù)理想解的定義理想解Positive Ideal Solution, PIS這是一個(gè)虛擬的“完美方案”。它在每一個(gè)效益型指標(biāo)上都取所有備選方案中的最大值在每一個(gè)成本型指標(biāo)上都取所有備選方案中的最小值。簡單說就是“所有好處都占盡所有壞處都避開”的終極目標(biāo)。它在現(xiàn)實(shí)中通常不存在是我們努力逼近的方向。負(fù)理想解Negative Ideal Solution, NIS這是一個(gè)虛擬的“最差方案”。它在每一個(gè)效益型指標(biāo)上都取所有備選方案中的最小值在每一個(gè)成本型指標(biāo)上都取所有備選方案中的最大值。簡單說就是“所有壞處都占盡所有好處都沒有”的糟糕典型。這是我們極力想要遠(yuǎn)離的對(duì)象。舉個(gè)例子評(píng)價(jià)筆記本電腦指標(biāo)有“CPU性能”效益型越大越好、“價(jià)格”成本型越小越好、“續(xù)航”效益型越大越好。假設(shè)有三臺(tái)電腦電腦A: (CPU: 90分 價(jià)格8000元 續(xù)航10小時(shí))電腦B: (CPU: 70分 價(jià)格5000元 續(xù)航8小時(shí))電腦C: (CPU: 85分 價(jià)格6000元 續(xù)航12小時(shí))那么理想解 PIS 就是CPU取最大值90價(jià)格取最小值5000續(xù)航取最大值12。即 PIS (90, 5000, 12)。 負(fù)理想解 NIS 就是CPU取最小值70價(jià)格取最大值8000續(xù)航取最小值8。即 NIS (70, 8000, 8)。2.2 相對(duì)貼近度的計(jì)算邏輯定義了理想和負(fù)理想之后TOPSIS要做的事情就是計(jì)算每一個(gè)真實(shí)的備選方案A, B, C分別到PIS和NIS的“距離”。計(jì)算距離通常使用歐幾里得距離即直線距離。方案i到PIS的距離記為 ( D_i^ )到NIS的距離記為 ( D_i^- )。( D_i^ ) 越小說明該方案離完美越近這是好事。( D_i^- ) 越大說明該方案離最差越遠(yuǎn)這也是好事。計(jì)算相對(duì)貼近度這是TOPSIS的精髓。我們定義一個(gè)相對(duì)貼近度 ( C_i ) [ C_i \frac{D_i^-}{D_i^ D_i^-} ] 這個(gè)公式的巧妙之處在于它的值域在 [0, 1] 之間。當(dāng)方案i就是理想解時(shí)( D_i^ 0 )則 ( C_i 1 )。當(dāng)方案i就是負(fù)理想解時(shí)( D_i^- 0 )則 ( C_i 0 )。對(duì)于其他方案( C_i ) 越大說明該方案同時(shí)滿足了“離理想解近”和“離負(fù)理想解遠(yuǎn)”這兩個(gè)條件綜合表現(xiàn)越好?；氐诫娔X的例子我們可以直觀感受一下電腦C的坐標(biāo)(85,6000,12)顯然比電腦A(90,8000,10)更靠近PIS(90,5000,12)雖然CPU略低但價(jià)格和續(xù)航更優(yōu)同時(shí)離NIS(70,8000,8)更遠(yuǎn)。計(jì)算出來的 ( C_C ) 理應(yīng)大于 ( C_A )。電腦B(70,5000,8)雖然價(jià)格最低但性能和續(xù)航都?jí)|底它離NIS其實(shí)很近因?yàn)樾阅芎屠m(xù)航都取了NIS的值所以 ( C_B ) 應(yīng)該較小。為什么不是直接用 ( D_i^ ) 排序因?yàn)橹豢紤]離理想解近可能會(huì)選中一個(gè)在某個(gè)指標(biāo)上極端好但在另一個(gè)指標(biāo)上極端差的方案比如性能爆表但價(jià)格天價(jià)。而 ( C_i ) 同時(shí)考慮了“向好”和“避差”評(píng)價(jià)更加全面均衡。3. 手把手實(shí)戰(zhàn)TOPSIS法的標(biāo)準(zhǔn)計(jì)算步驟理解了原理我們來看具體的計(jì)算步驟。這個(gè)過程是標(biāo)準(zhǔn)化的我們可以用任何工具Excel, Python, MATLAB來實(shí)現(xiàn)。這里我以一個(gè)小型案例結(jié)合Excel和Python代碼演示最清晰的計(jì)算流程。案例評(píng)選優(yōu)秀員工共有4名候選人方案評(píng)價(jià)指標(biāo)有4項(xiàng)業(yè)績?nèi)f元效益型越大越好。客戶投訴次數(shù)成本型越小越好。團(tuán)隊(duì)協(xié)作評(píng)分百分制效益型越大越好。項(xiàng)目完成及時(shí)率%效益型越大越好。原始數(shù)據(jù)如下表所示候選人業(yè)績(萬元)投訴次數(shù)協(xié)作評(píng)分及時(shí)率(%)張三12028595李四9519098王五10538890趙六11028292假設(shè)我們通過專家打分或AHP層次分析法已經(jīng)確定了各指標(biāo)權(quán)重為W [0.4, 0.3, 0.2, 0.1]。權(quán)重和為1。3.1 步驟一構(gòu)建原始決策矩陣并歸一化首先將數(shù)據(jù)寫成矩陣形式 ( X )4行×4列。由于各指標(biāo)量綱不同萬元、次數(shù)、分、百分比直接計(jì)算距離沒有意義。我們需要進(jìn)行歸一化標(biāo)準(zhǔn)化消除量綱影響。TOPSIS中最常用的是向量歸一化。對(duì)于矩陣 ( X ) 中的每一個(gè)元素 ( x_{ij} )第i個(gè)方案在第j個(gè)指標(biāo)的值其歸一化后的值 ( r_{ij} ) 計(jì)算公式為 [ r_{ij} \frac{x_{ij}}{\sqrt{\sum_{i1}^{m} x_{ij}^2}} ] 其中( m ) 是方案個(gè)數(shù)這里m4分母是第j列所有值的平方和的平方根。計(jì)算示例以“業(yè)績”列為例 分母 sqrt(1202 952 1052 1102) sqrt(14400 9025 11025 12100) sqrt(46550) ≈ 215.75 那么張三業(yè)績的歸一化值 120 / 215.75 ≈ 0.5562。 依次計(jì)算得到歸一化矩陣 ( R )。注意這里歸一化后每個(gè)指標(biāo)列的所有值的平方和為1。這是向量歸一化的特性。3.2 步驟二構(gòu)建加權(quán)規(guī)范化決策矩陣將歸一化矩陣 ( R ) 的每一列乘上對(duì)應(yīng)指標(biāo)的權(quán)重 ( w_j )得到加權(quán)規(guī)范化矩陣 ( V )。 [ v_{ij} w_j * r_{ij} ]例如業(yè)績列的權(quán)重是0.4那么張三在加權(quán)矩陣中“業(yè)績”的值 0.4 * 0.5562 ≈ 0.2225。 這一步之后矩陣 ( V ) 中的數(shù)值已經(jīng)包含了指標(biāo)的重要性信息。3.3 步驟三確定理想解與負(fù)理想解根據(jù)加權(quán)矩陣 ( V )分別找出每個(gè)指標(biāo)上的最優(yōu)值和最劣值。理想解 ( A^ ): 對(duì)于效益型指標(biāo)業(yè)績、協(xié)作評(píng)分、及時(shí)率取該列最大值對(duì)于成本型指標(biāo)投訴次數(shù)取該列最小值。負(fù)理想解 ( A^- ): 對(duì)于效益型指標(biāo)取該列最小值對(duì)于成本型指標(biāo)取該列最大值。假設(shè)我們計(jì)算出的加權(quán)矩陣 ( V ) 如下僅為示意數(shù)值非精確計(jì)算候選人業(yè)績(加權(quán))投訴(加權(quán))協(xié)作(加權(quán))及時(shí)率(加權(quán))張三0.22250.03210.09420.0521李四0.17620.01600.09980.0537王五0.19460.04810.09760.0493趙六0.20390.03210.09080.0506那么理想解 ( A^ ) [ max(業(yè)績), min(投訴), max(協(xié)作), max(及時(shí)率) ] [0.2225, 0.0160, 0.0998, 0.0537]負(fù)理想解 ( A^- ) [ min(業(yè)績), max(投訴), min(協(xié)作), min(及時(shí)率) ] [0.1762, 0.0481, 0.0908, 0.0493]3.4 步驟四計(jì)算各方案到理想解與負(fù)理想解的距離使用歐幾里得距離公式。 方案i到理想解的距離 [ D_i^ \sqrt{\sum_{j1}^{n} (v_{ij} - A_j^)^2} ] 方案i到負(fù)理想解的距離 [ D_i^- \sqrt{\sum_{j1}^{n} (v_{ij} - A_j^-)^2} ] 其中( n ) 是指標(biāo)個(gè)數(shù)這里n4。以張三為例 ( D_{張}^ \sqrt{(0.2225-0.2225)^2 (0.0321-0.0160)^2 (0.0942-0.0998)^2 (0.0521-0.0537)^2} ) 計(jì)算這個(gè)值。( D_i^ ) 越小越好。 ( D_{張}^- \sqrt{(0.2225-0.1762)^2 (0.0321-0.0481)^2 (0.0942-0.0908)^2 (0.0521-0.0493)^2} ) 計(jì)算這個(gè)值。( D_i^- ) 越大越好。3.5 步驟五計(jì)算相對(duì)貼近度并排序根據(jù)公式 ( C_i D_i^- / (D_i^ D_i^-) ) 計(jì)算每個(gè)候選人的相對(duì)貼近度 ( C_i )。計(jì)算后我們可能得到類似下面的結(jié)果候選人( D_i^ )( D_i^- )( C_i )排名張三0.01810.04950.7322李四0.04630.03200.4094王五0.03420.01890.3563趙六0.02100.04500.6821結(jié)論根據(jù)TOPSIS法四位候選人的綜合排名為趙六 張三 王五 李四。趙六的相對(duì)貼近度最高為最優(yōu)人選。實(shí)操心得在實(shí)際計(jì)算中尤其是用Excel手動(dòng)計(jì)算時(shí)最容易出錯(cuò)的地方是指標(biāo)類型的判斷效益型/成本型和距離公式的引用。務(wù)必在計(jì)算前明確每個(gè)指標(biāo)的類型并在確定 ( A^ ) 和 ( A^- ) 時(shí)仔細(xì)核對(duì)。一個(gè)檢查方法是算完 ( C_i ) 后看看數(shù)值是否在0到1之間并且最好的方案是否真的在各個(gè)指標(biāo)上比較均衡優(yōu)秀。4. 權(quán)重確定比算法本身更關(guān)鍵的環(huán)節(jié)在上面的例子中我們直接給出了權(quán)重[0.4, 0.3, 0.2, 0.1]。但在實(shí)際應(yīng)用中權(quán)重的確定往往比TOPSIS計(jì)算本身更重要也更具主觀性。權(quán)重分配的微小變化可能導(dǎo)致排序結(jié)果的顛覆。因此如何科學(xué)、合理地確定權(quán)重是應(yīng)用TOPSIS時(shí)必須嚴(yán)肅對(duì)待的問題。4.1 主觀賦權(quán)法依賴專家經(jīng)驗(yàn)德爾菲法匿名征求多位專家意見經(jīng)過多輪反饋和調(diào)整使專家意見趨于一致最終確定權(quán)重。過程嚴(yán)謹(jǐn)?shù)臅r(shí)較長。層次分析法這是最常用、也最能與TOPSIS結(jié)合的方法。AHP通過構(gòu)造判斷矩陣讓決策者兩兩比較指標(biāo)的重要性例如“業(yè)績相比投訴次數(shù)是稍微重要、明顯重要還是極其重要”通過計(jì)算矩陣的特征向量來得到權(quán)重。AHP的好處是能將人的主觀判斷進(jìn)行量化并通過一致性檢驗(yàn)CR值來檢查判斷的邏輯是否自洽。踩坑提示使用AHP時(shí)判斷矩陣的標(biāo)度1-9標(biāo)度要一致。經(jīng)常有人因?yàn)閷?duì)“稍微重要”、“明顯重要”的理解不同導(dǎo)致矩陣內(nèi)部矛盾一致性比率CR過高0.1這樣的權(quán)重是不可信的。務(wù)必進(jìn)行一致性檢驗(yàn)并調(diào)整判斷矩陣直至通過。4.2 客觀賦權(quán)法讓數(shù)據(jù)自己說話這類方法根據(jù)原始數(shù)據(jù)本身的分布特征來確定權(quán)重避免了人為干擾。熵權(quán)法這是TOPSIS的“黃金搭檔”。其原理是某個(gè)指標(biāo)的數(shù)據(jù)差異越大即熵值越小說明該指標(biāo)在區(qū)分各方案時(shí)提供的信息量越大理應(yīng)賦予更大的權(quán)重。計(jì)算過程完全基于數(shù)據(jù)客觀性強(qiáng)。熵權(quán)法計(jì)算簡要步驟對(duì)原始矩陣進(jìn)行歸一化通常用比重法。計(jì)算第j項(xiàng)指標(biāo)的熵值 ( e_j )。計(jì)算差異系數(shù) ( g_j 1 - e_j )。歸一化差異系數(shù)得到權(quán)重 ( w_j g_j / \sum g_j )。CRITIC法不僅考慮指標(biāo)的變異程度對(duì)比強(qiáng)度還考慮指標(biāo)之間的沖突性相關(guān)性。沖突性低的指標(biāo)其評(píng)價(jià)信息重復(fù)度高權(quán)重應(yīng)降低。4.3 主客觀組合賦權(quán)平衡的藝術(shù)為了兼顧決策者的主觀意圖和數(shù)據(jù)的客觀規(guī)律可以采用組合賦權(quán)。例如將AHP得到的主觀權(quán)重 ( w_j^s ) 和熵權(quán)法得到的客觀權(quán)重 ( w_j^o ) 進(jìn)行線性組合 [ w_j \alpha * w_j^s (1-\alpha) * w_j^o ] 其中( \alpha ) 是偏好系數(shù)通常在0到1之間。如果更相信專家經(jīng)驗(yàn)( \alpha ) 取大一些如果更相信數(shù)據(jù)( \alpha ) 取小一些。我的經(jīng)驗(yàn)是在數(shù)學(xué)建模競賽或嚴(yán)肅的決策分析中強(qiáng)烈推薦使用熵權(quán)法或CRITIC法確定客觀權(quán)重。這能讓你的模型分析部分更有說服力避免在“為什么權(quán)重是0.4而不是0.35”的問題上糾纏不清。如果問題背景中確實(shí)有明確的政策導(dǎo)向或?qū)＜乙庖娫倏紤]結(jié)合主觀權(quán)重。5. 進(jìn)階討論與常見陷阱掌握了基礎(chǔ)步驟和權(quán)重確定你已經(jīng)可以解決大部分問題了。但在實(shí)際應(yīng)用中還有一些細(xì)節(jié)和陷阱需要留意。5.1 指標(biāo)正向化統(tǒng)一“極性”TOPSIS要求所有指標(biāo)在計(jì)算距離時(shí)方向一致即都需要轉(zhuǎn)換為“越大越好”的效益型指標(biāo)。對(duì)于成本型指標(biāo)如成本、耗時(shí)、投訴次數(shù)需要進(jìn)行正向化處理。最常見的方法是倒數(shù)法( x 1/x )要求x 0。適用于絕對(duì)數(shù)值型指標(biāo)。減法轉(zhuǎn)換( x M - x )其中M是一個(gè)足夠大的常數(shù)如該指標(biāo)的最大值。適用于數(shù)值型指標(biāo)。區(qū)間型指標(biāo)處理有些指標(biāo)是落在某個(gè)區(qū)間內(nèi)最好如pH值。這時(shí)需要先將其轉(zhuǎn)換為效益型例如計(jì)算每個(gè)值與最優(yōu)區(qū)間的端點(diǎn)距離再取倒數(shù)或做減法。務(wù)必在數(shù)據(jù)歸一化之前完成指標(biāo)正向化這是新手最容易忽略的順序錯(cuò)誤。5.2 歸一化方法的選擇我們之前用的是向量歸一化。除此之外還有極差歸一化Min-Max Scaling( r_{ij} (x_{ij} - min_j) / (max_j - min_j) )。這種方法將數(shù)據(jù)縮放到[0,1]區(qū)間但會(huì)受極端值極大、極小影響很大。Z-score標(biāo)準(zhǔn)化( r_{ij} (x_{ij} - \mu_j) / \sigma_j )。處理后數(shù)據(jù)均值為0標(biāo)準(zhǔn)差為1。但可能會(huì)產(chǎn)生負(fù)值在計(jì)算距離時(shí)仍需注意。在TOPSIS的經(jīng)典語境下向量歸一化是最標(biāo)準(zhǔn)、最常用的方法因?yàn)樗鼙３謹(jǐn)?shù)據(jù)間的相對(duì)比例關(guān)系且計(jì)算出的距離有明確的幾何意義。5.3 距離公式的變體歐氏距離是默認(rèn)選擇。但在某些情況下可以考慮使用曼哈頓距離絕對(duì)值距離或切比雪夫距離最大值距離。曼哈頓距離對(duì)異常值不那么敏感切比雪夫距離關(guān)注的是最大偏差。不過在絕大多數(shù)綜合評(píng)價(jià)場景中歐氏距離已經(jīng)足夠且最符合直覺。5.4 TOPSIS的局限性沒有完美的模型TOPSIS也不例外對(duì)權(quán)重高度敏感如前所述權(quán)重分配直接影響結(jié)果?！袄硐虢狻笨赡懿磺袑?shí)際理想解是各個(gè)指標(biāo)的最優(yōu)值拼湊起來的現(xiàn)實(shí)中可能沒有任何方案能在所有指標(biāo)上都接近它導(dǎo)致所有方案的 ( C_i ) 都不高區(qū)分度不夠。無法處理指標(biāo)間的交互作用它假設(shè)指標(biāo)是相互獨(dú)立的但現(xiàn)實(shí)中指標(biāo)間可能存在相關(guān)性例如價(jià)格高的設(shè)備往往性能也好。高相關(guān)性指標(biāo)會(huì)被重復(fù)計(jì)算變相提高了其權(quán)重。對(duì)數(shù)據(jù)分布有隱含假設(shè)使用歐氏距離隱含了“各指標(biāo)維度是正交且同等重要”的假設(shè)這并不總是成立。因此TOPSIS的結(jié)果應(yīng)作為一個(gè)重要的決策參考而不是唯一答案。最好能結(jié)合其他方法如灰色關(guān)聯(lián)分析、DEA數(shù)據(jù)包絡(luò)分析進(jìn)行交叉驗(yàn)證或者進(jìn)行靈敏度分析——微調(diào)權(quán)重觀察排序結(jié)果是否穩(wěn)定。如果某個(gè)方案在權(quán)重合理變動(dòng)范圍內(nèi)始終排名靠前那么這個(gè)結(jié)果就是穩(wěn)健的。6. 代碼實(shí)現(xiàn)用Python快速復(fù)現(xiàn)對(duì)于數(shù)據(jù)處理量大的場景手動(dòng)計(jì)算是不現(xiàn)實(shí)的。用Python可以輕松實(shí)現(xiàn)自動(dòng)化。下面提供一個(gè)使用numpy和pandas庫的簡潔版TOPSIS函數(shù)包含了熵權(quán)法計(jì)算權(quán)重。import numpy as np import pandas as pd def topsis(data, weightNone, benefit_columnsNone): TOPSIS 綜合評(píng)價(jià)函數(shù) :param data: DataFrame原始決策矩陣每行一個(gè)方案每列一個(gè)指標(biāo) :param weight: list各指標(biāo)權(quán)重默認(rèn)為None使用熵權(quán)法計(jì)算 :param benefit_columns: list效益型指標(biāo)列名列表默認(rèn)為None表示所有列均為效益型 :return: DataFrame包含各方案的綜合得分和排名 # 1. 數(shù)據(jù)拷貝 X data.values.astype(float) m, n X.shape # m個(gè)方案n個(gè)指標(biāo) # 2. 如果未指定效益型列則默認(rèn)全為效益型 if benefit_columns is None: benefit_columns data.columns.tolist() benefit_indices [data.columns.get_loc(col) for col in benefit_columns] cost_indices [i for i in range(n) if i not in benefit_indices] # 3. 數(shù)據(jù)正向化 (成本型轉(zhuǎn)效益型) X_pos X.copy() for i in cost_indices: X_pos[:, i] np.max(X[:, i]) - X_pos[:, i] # 減法轉(zhuǎn)換也可用倒數(shù)法 # 4. 熵權(quán)法確定權(quán)重 (如果未提供) if weight is None: # 歸一化 (比重法) P X_pos / np.sum(X_pos, axis0) # 計(jì)算熵值 epsilon 1e-10 # 防止log(0) e -np.sum(P * np.log(P epsilon), axis0) / np.log(m) # 計(jì)算差異系數(shù)和權(quán)重 d 1 - e weight d / np.sum(d) else: weight np.array(weight) print(f指標(biāo)權(quán)重: {weight}) # 5. 向量歸一化 norm_X X_pos / np.sqrt(np.sum(X_pos ** 2, axis0)) # 6. 構(gòu)建加權(quán)規(guī)范化矩陣 weighted_norm_X norm_X * weight # 7. 確定理想解和負(fù)理想解 ideal_best np.max(weighted_norm_X, axis0) ideal_worst np.min(weighted_norm_X, axis0) # 注意此時(shí)所有指標(biāo)都已轉(zhuǎn)為效益型所以理想解取max負(fù)理想解取min # 8. 計(jì)算距離 dist_best np.sqrt(np.sum((weighted_norm_X - ideal_best) ** 2, axis1)) dist_worst np.sqrt(np.sum((weighted_norm_X - ideal_worst) ** 2, axis1)) # 9. 計(jì)算相對(duì)貼近度 score dist_worst / (dist_best dist_worst) # 10. 整理結(jié)果 result_df data.copy() result_df[D (距理想解)] dist_best result_df[D- (距負(fù)理想解)] dist_worst result_df[C (相對(duì)貼近度)] score result_df[Rank (排名)] (-score).argsort().argsort() 1 # 得分越高排名越前 return result_df.sort_values(byC (相對(duì)貼近度), ascendingFalse) # 使用示例 if __name__ __main__: # 構(gòu)建數(shù)據(jù) (同前文員工評(píng)價(jià)案例) data_df pd.DataFrame({ 業(yè)績: [120, 95, 105, 110], 投訴: [2, 1, 3, 2], 協(xié)作: [85, 90, 88, 82], 及時(shí)率: [95, 98, 90, 92] }, index[張三, 李四, 王五, 趙六]) # 指定效益型指標(biāo)列投訴是成本型 benefit_cols [業(yè)績, 協(xié)作, 及時(shí)率] # 調(diào)用函數(shù)使用熵權(quán)法 result topsis(data_df, benefit_columnsbenefit_cols) print(result)運(yùn)行這段代碼你會(huì)得到包含距離、貼近度和排名的完整結(jié)果表。你可以通過修改weight參數(shù)傳入自定義權(quán)重來觀察不同權(quán)重下的排序變化進(jìn)行靈敏度分析。代碼使用心得正向化處理代碼中使用了減法轉(zhuǎn)換來處理成本型指標(biāo)。對(duì)于像“投訴次數(shù)”這樣的數(shù)據(jù)用max - x是合適的。但如果數(shù)據(jù)中有0值想用倒數(shù)法就需要額外處理避免除零錯(cuò)誤。熵權(quán)法的穩(wěn)定性熵權(quán)法對(duì)數(shù)據(jù)比較敏感。如果某一列的數(shù)據(jù)完全一樣無差異其熵值為1權(quán)重會(huì)變成0。這在現(xiàn)實(shí)中意味著該指標(biāo)無法區(qū)分方案權(quán)重為0是合理的但需要你檢查數(shù)據(jù)是否確實(shí)如此。結(jié)果解讀不要只看最終排名。D和D-這兩個(gè)距離值也很有意義。一個(gè)方案如果C值高可能是因?yàn)樗x理想解非常近D小也可能是它離負(fù)理想解非常遠(yuǎn)D-大這兩種情況背后的含義略有不同。TOPSIS法就像一把結(jié)構(gòu)精良的尺子它提供了一套標(biāo)準(zhǔn)流程去度量“綜合好壞”。它的價(jià)值不在于發(fā)明了多復(fù)雜的數(shù)學(xué)而在于將我們模糊的、多維度的比較需求轉(zhuǎn)化成了一個(gè)清晰、可計(jì)算、可解釋的數(shù)值。掌握它意味著你多了一種將復(fù)雜決策清晰化的工具。在實(shí)際應(yīng)用中多思考指標(biāo)體系的構(gòu)建和權(quán)重的由來往往比糾結(jié)于算法本身的某個(gè)參數(shù)更有價(jià)值。畢竟模型是從現(xiàn)實(shí)抽象而來的對(duì)現(xiàn)實(shí)問題的深刻理解才是用好任何模型的前提。