标签：index return matrix python list 建模 --- shape row

 权重 ak的确定——频数统计法

 选取正整数p的方法

画箱形图   取1/4与3/4的距离（IQR）  ceil（）取整

代码：

import numpy as np
def frequency(matrix,p):
    '''
    频数统计法确定权重
    :param matrix: 因素矩阵
    :param p: 分组数
    :return: 权重向量
    '''
    A = np.zeros((matrix.shape[0]))
    for i in range(0, matrix.shape[0]):
        ## 根据频率确定频数区间列表
        row = list(matrix[i, :])
        maximum = max(row)
        minimum = min(row)
        gap = (maximum - minimum) / p
        row.sort()
        group = []
        item = minimum
        while(item < maximum):
            group.append([item, item + gap])
            item = item + gap
        print(group)
        # 初始化一个数据字典，便于记录频数
        dataDict = {}
        for k in range(0, len(group)):
            dataDict[str(k)] = 0
        # 判断本行的每个元素在哪个区间内，并记录频数
        for j in range(0, matrix.shape[1]):
            for k in range(0, len(group)):
             if(matrix[k, j] >= group[k][0]):
                 dataDict[str(k)] = dataDict[str(k)] + 1
             break
        print(dataDict)
        # 取出最大频数对应的key，并以此为索引求组中值
        index = int(max(dataDict,key=dataDict.get))
        mid = (group[index][0] + group[index][1]) / 2
        print(mid)
        A[i] = mid
    A = A / sum(A[:]) # 归一化
    return A

  权重 ak的确定——模糊层次分析法

 代码：

import numpy as np


def AHP(matrix):
    if isConsist(matrix):
        lam, x = np.linalg.eig(matrix)
        return x[0] / sum(x[0][:])
    else:
        print("一致性检验未通过")
        return None


def isConsist(matrix):
    '''
    :param matrix: 成对比较矩阵
    :return:    通过一致性检验则返回true，否则返回false
    '''
    n = np.shape(matrix)[0]
    a, b = np.linalg.eig(matrix)
    maxlam = a[0].real
    CI = (maxlam - n) / (n - 1)
    RI = [0, 0, 0.58, 0.9, 1.12, 1.24, 1.32, 1.41, 1.45]
    CR = CI / RI[n - 1]
    if CR < 0.1:
        return True, CI, RI[n - 1]
    else:
        return False, None, None

import numpy as np


def appraise(criterionMatrix, targetMatrixs, relationMatrixs):
    '''
    :param criterionMatrix: 准则层权重矩阵
    :param targetMatrix:    指标层权重矩阵列表
    :param relationMatrixs: 关系矩阵列表
    :return:
    '''
    R = np.zeros((criterionMatrix.shape[1], relationMatrixs[0].shape[1]))
    for index in range(0, len(targetMatrixs)):
        row = mul_mymin_operator(targetMatrixs[index], relationMatrixs[index])
        R[index] = row
    B = mul_mymin_operator(criterionMatrix, R)
    return B / sum(B[:])


def mul_mymin_operator(A, R):
    B = np.zeros(1, R.shape[1])
    for column in range(1, R.shape[1]):
        list = []
        for row in range(1, R.shape[0]):
            list = list.append(A[row] * R[row, column])
        B[0, column] = mymin(list)
    return B


def mymin(list):
    global temp
    for index in range(1, len(list)):
        if index == 1:
            temp = min(1, list[0] + list[1])
        else:
            temp = min(1, temp + list[index])
    return temp

标签：index,return,matrix,python,list,建模,---,shape,row
来源： https://www.cnblogs.com/kk-style/p/16564117.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。