目录

1.简介

2.算法原理

2.1 指标正向化

2.2 数据标准化

2.3 计算变异系数

2.4 计算权重以及得分

3.实例分析

3.1 读取数据

3.2 指标正向化

3.3 查看行数和列数

3.4 数据标准化

3.5 计算变异系数

3.6 计算权重

3.7 计算得分 

完整代码 

---

1.简介

        变异系数法(Coefficient of variation method)又称"标准差率"（标准差与平均数的比值）是直接利用各项指标所包含的信息，通过计算得到指标的权重。是一种客观赋权的方法。此方法的基本做法是:在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价单位的差距。例如，在评价各个国家的经济发展状况时，选择人均国民生产总值(人均GNP)作为评价的标准指标之一，是因为人均GNP不仅能反映各个国家的经济发展水平，还能反映一个国家的现代化程度。如果各个国家的人均GNP没有多大的差别，则这个指标用来衡量现代化程度、经济发展水平就失去了意义。

2.算法原理

2.1 指标正向化

        和熵权法的指标正向化类似，正向指标越大越好，负向指标越小越好。把指标都转化成正向指标处理。此篇采用新的正向化形式，采用上一篇建模算法熵权法的处理形式也可，基本思想不变就行。这个数据集有正向指标（越大越优型指标）和负向指标（越小越优型指标）两种。

        设有m个待评对象，n个评价指标，可以构成数据矩阵X=（xij)m*n，设数据矩阵内元素，经过指标正向化处理过后的元素为xij'

负向指标：并网点电压偏差越限次数D、有功控制能力F、功率因数越限G属于此类指标

正向指标：其余所有指标属于此类，可以不用处理

2.2 数据标准化

        每个指标的数量级不一样，需要把它们化到同一个范围内比较。上一篇建模算法用到了最大最小值标准化方法。此篇可以用一个新的标准化方法，处理如下：

        设标准化后的数据矩阵元素为rij,由上可得指标正向化后数据矩阵元素为xij'

2.3 计算变异系数

处理过后可以构成数据矩阵R=(rij)m*n

• 计算指标的均值：

•  计算指标的标准差：

•  计算变异系数：

2.4 计算权重以及得分

• 权重为：

• 得分为：

3.实例分析

风场名	风场1	风场2	风场3
A（高频率穿越能力）	0.743	0.7567	0.8104
B（低频率穿越能力）	0.8267	0.8033	0.7667
C（低压穿越能力）	0.8324	0.8736	0.8539
D（并网点电压偏差越限次数 ）	12	10	16
E（SVC/SVG响应性能指标）	0.8637	0.8538	0.9038
F（有功控制能力）	0.0743	0.0665	0.0881
G（功率因素越限）	0.0409	0.0716	0.0657

3.1 读取数据

读取表中全部数据

#导入数据
data=pd.read_excel('D:\桌面\变异系数.xlsx')
print(data)

返回：

只读取表中数值

label_need=data.keys()[1:]
data1=data[label_need].values
print(data1)

返回：

 

3.2 指标正向化

#数据正向化处理
data2=data1
index=[3,5,6] #越小越优指标位置,注意python是从0开始计数，对应位置也要相应减1
k=0.1
for i in range(0,len(index)):data2[:,index[i]]=1/(k+max(abs(data1[:,index[i]]))+data1[:,index[i]])
print(data2)

返回：

3.3 查看行数和列数

#行数和列数
[m,n]=data1.shape
print(m,n)

返回：

 

3.4 数据标准化

#数据标准化
data3 = data2
for j in range(0,n):data3[:,j]=data2[:,j]/np.sqrt(sum(np.square(data2[:,j])))
print(data3)

返回：

3.5 计算变异系数

#计算变异系数
A=np.average(data3, axis=0) #计算均值
S=np.std(data3, axis=0) #计算标准差
V=S/A #计算变异系数
print('变异系数：',V)

返回：

3.6 计算权重

# 计算权重
w=V/sum(V)
print('权重：',w)

返回：

3.7 计算得分 

#计算得分
s=np.dot(data3,w)
Score=100*s/max(s)
for i in range(0,len(Score)):print(f"第{i+1}个风场百分制得分为：{Score[i]}")

返回：

完整代码 

#导入库
import pandas as pd
import numpy as np
#导入数据
data=pd.read_excel('D:\桌面\变异系数.xlsx')
# print(data)
label_need=data.keys()[1:]
data1=data[label_need].values
# print(data1)#数据正向化处理
data2=data1
index=[3,5,6] #越小越优指标位置,注意python是从0开始计数，对应位置也要相应减1
k=0.1
for i in range(0,len(index)):data2[:,index[i]]=1/(k+max(abs(data1[:,index[i]]))+data1[:,index[i]])
# print(data2)#行数和列数
[m,n]=data1.shape
# print(m,n)#数据标准化
data3 = data2
for j in range(0,n):data3[:,j]=data2[:,j]/np.sqrt(sum(np.square(data2[:,j])))
# print(data3)#计算变异系数
A=np.average(data3, axis=0) #计算均值
S=np.std(data3, axis=0) #计算标准差
V=S/A #计算变异系数
# print('变异系数：',V)# 计算权重
w=V/sum(V)
# print('权重：',w)#计算得分
s=np.dot(data3,w)
Score=100*s/max(s)
for i in range(0,len(Score)):print(f"第{i+1}个风场百分制得分为：{Score[i]}")