标签：赋权 12 客观 Python reshape sum value eig data
本文从阐述Python实现客观赋权法的四种方式：
一. 熵权法
二. 因子分析权数法(FAM)
三. 主成分分析权数法(PCA)
四. 独立性权系数法
Python实现客观赋权法，在进行赋权前，先导入数据（列：各维属性；行：各样本），并自行进行去空值、归一化等操作。
import pandas as pd
import numpy as np
data=pd.DataFrame(pd.read_excel('路径'))
一. 熵权法
若某个指标的信息熵越大（即离散程度越大），表明指标提供的信息量越多，在综合评价中所能起到的作用也越大，权重也就越大。
m,n=data.shape data=data.as_matrix(columns=None) pij=data/data.sum(axis=0) test=pij*np.log(pij) test=np.nan_to_num(test) ej=-1/np.log(m)*(test.sum(axis=0)) wi=(1-ej)/np.sum(1-ej) print(wi)
二. 因子分析权数法(FAM)
因子分析的目的：用少数几个因子去描述许多指标和因素间的联系，因子不具备直接物理含义。
因子分析权数法：对每个指标，计算共性因子的累计贡献率来定权。
from math import *
import numpy.linalg as nlg
data_mean=data.mean()#样本均值
E = np.mat(np.zeros((12, 12)))#样本离差阵，12是因为我输入的是12维属性
for i in range(len(data)):
E += (data.iloc[i, :].values.reshape(12, 1) - data_mean.values.reshape(12, 1)) * (data.iloc[i, :].values.reshape(1, 12) - data_mean.values.reshape(1, 12))
R = np.mat(np.zeros((12, 12)))#样本相关阵R
for i in range(12):
for j in range(12):
R[i, j] = E[i, j]/sqrt(E[i, i] * E[j, j])
eig_value, eigvector = nlg.eig(R)#求矩阵R的全部特征值，构成向量E。
eig = pd.DataFrame()
eig['names'] = data.columns
eig['eig_value'] = eig_value
eig.sort_values('eig_value', ascending=False, inplace=True)
createVar = locals()
result=0
#求因子模型的因子载荷阵，寻找公共因子个数m
for m in range(1, 12):
createVar['factor_'+str(m)]=eig['eig_value'][:m].sum()/eig['eig_value'].sum()-result#这步计算每个因子的贡献率
result=eig['eig_value'][:m].sum()/eig['eig_value'].sum()
if eig['eig_value'][:m].sum()/eig['eig_value'].sum() >= 0.8:#认为贡献率之和>80%的前m个重要因子，可以描述指标
print(m)#这里我得到的是7，所以之后算因子载荷矩阵有七列
break
eig_value=eig_value.reshape(12, 1)
#因子载荷矩阵
A = np.mat(np.zeros((12, 7)))
A[:,0]=factor_1*abs((sqrt(eig_value[0])*eigvector[:,0]).reshape(12, 1))
A[:,1]=factor_2*abs((sqrt(eig_value[1])*eigvector[:,1]).reshape(12, 1))
A[:,2]=factor_3*abs((sqrt(eig_value[2])*eigvector[:,2]).reshape(12, 1))
A[:,3]=factor_4*abs((sqrt(eig_value[3])*eigvector[:,3]).reshape(12, 1))
A[:,4]=factor_5*abs((sqrt(eig_value[4])*eigvector[:,4]).reshape(12, 1))
A[:,5]=factor_6*abs((sqrt(eig_value[5])*eigvector[:,5]).reshape(12, 1))
A[:,6]=factor_7*abs((sqrt(eig_value[6])*eigvector[:,6]).reshape(12, 1))
a=pd.DataFrame(A)
b=a.sum(axis=1)
c=b/b.sum(axis=0)
print(c)
三. 主成分分析权数法(PCA)
与因子分析法的主要区别在于：主成分由原有特征线性加权得到，而因子分析法中，因子线性加权得到原有特征。
指标权重为主成分的方差贡献率。
from sklearn.decomposition import PCA
X=np.array(data)
pca=PCA(n_components=5)
pca.fit(X)
component=pca.components_
variance_ratio=pca.explained_variance_ratio_
component=abs(component.T)
for i in range(0,5):
component[:,i]=variance_ratio[i]*component[:,i]
a=pd.DataFrame(component)
b=a.sum(axis=1)
c=b/b.sum(axis=0)
print(c)
四. 独立性权系数法
若指标与其他指标的复相关系数越大，则与其他指标的共线性关系越强，重复信息越多，所以指标权重越小。也即独立性越强，指标权重越大。
复相关系数是其中一项和其他项的加权和的相关系数，所以这里需要用到多元线性回归，我是用excel做的回归(网上很容易查到步骤)，得到了复相关系数R1—R12，之后：
createVar = locals()
sum_result=0
for i in range(1,13):
createVar['R'+str(i)]=1/createVar['R'+str(i)]
sum_result=sum_result+createVar['R'+str(i)]
for i in range(1,13):
createVar['R'+str(i)]=createVar['R'+str(i)]/sum_result
print(createVar['R'+str(i)])
参考文章：
https://blog.csdn.net/weixin_37805505/article/details/80847800
标签：赋权,12,客观,Python,reshape,sum,value,eig,data 来源： https://www.cnblogs.com/huzixia/p/10403532.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。