摘要：
熵权法的基本思路是根据指标变异性的大小来确定客观权重。#coding=utf-8importnumpyasnpli=[[100,90,100,84,90,100,100,100,100],[100,100,78.6,100,90,100,100,100,100],[75,100,85.7,100,90,100,100,100,100],[100,100,78.6,100,90,100,94.4,100,100],[100,90,100,100,100,90,100,100,80],[100,100,100,100,90,100,100,85.7,100],[100,100,78.6,100,90,100,55.6,100,100],[87.5,100,85.7,100,100,100,100,100,100],[100,100,92.9,100,80,100,100,100,100],[100,90,100,100,100,100,100,100,100],[100,100,92.9,100,90,100,100,100,100]]li=np.array#转换为矩阵li=/#最大最小标准化m,n=li.shape#m,n为矩阵行和列数k=1/np.logyij=li.sum#axis=0列相加axis=1行相加pij=li/yijtest=pij*np.logtest=np.nan_to_num#将nan空值转换为0ej=-k*#计算每种指标的信息熵wi=/np.sum#计算每种指标的权重
一、熵权法介绍
熵最先由申农引入信息论，目前已经在工程技术、社会经济等领域得到了非常广泛的应用。
熵权法的基本思路是根据指标变异性的大小来确定客观权重。
一般来说，若某个指标的信息熵越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵
越大，表明指标值得变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。
二、熵权法赋权步骤
1.数据标准化
将各个指标的数据进行标准化处理。
假设给定了k个指标，其中
。假设对各指标数据标准化后的值为
，那么
。
2.求各指标的信息熵
根据信息论中信息熵的定义，一组数据的信息熵。其中
，如果
，则定义
。
3.确定各指标权重
根据信息熵的计算公式，计算出各个指标的信息熵为。通过信息熵计算各指标的权重：
。
#coding=utf-8
import numpy as np
li=[[100,90,100,84,90,100,100,100,100],
[100,100,78.6,100,90,100,100,100,100],
[75,100,85.7,100,90,100,100,100,100],
[100,100,78.6,100,90,100,94.4,100,100],
[100,90,100,100,100,90,100,100,80],
[100,100,100,100,90,100,100,85.7,100],
[100 ,100 ,78.6, 100 ,90 , 100, 55.6, 100, 100],
[87.5 , 100 ,85.7 , 100 ,100 ,100, 100 ,100 ,100],
[100 ,100, 92.9 , 100 ,80 , 100 ,100 ,100 ,100],
[100,90 ,100 ,100, 100, 100, 100, 100, 100],
[100,100 ,92.9 , 100, 90 , 100, 100 ,100 ,100]]
li = np.array(li)
#转换为矩阵
li=(li-li.min())/(li.max()-li.min())
#最大最小标准化
m, n = li.shape
#m,n为矩阵行和列数
k = 1 / np.log(m)
yij = li.sum(axis=0) # axis=0列相加 axis=1行相加
pij = li / yij
test = pij * np.log(pij)
test = np.nan_to_num(test)
#将nan空值转换为0
ej = -k * (test.sum(axis=0))
# 计算每种指标的信息熵
wi = (1 - ej) / np.sum(1 - ej)
#计算每种指标的权重