目录
一、熵权法介绍
二、熵权法赋权步骤
1.指标正向化
mapminmax介绍
2.数据标准化
3.计算信息熵
4.计算权重以及得分
四、实例分析
1.导入相关库
2.读取数据
2.指标正向化
2.1 越小越优型处理
2.2 某点最优型指标处理
3.数据标准化
4.计算信息熵
5.计算权重
6.计算得分
总结
一、熵权法介绍
熵权法是一种客观赋值方法。在具体使用的过程中，熵权法根据各指标的变异程度，利用信息熵计算出各指标的熵权，再通过熵权对各指标的权重进行修正，从而得到较为客观的指标权重。
一般来说，若某个指标的信息熵指标权重确定方法之熵权法越小，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，若某个指标的信息熵指标权重确定方法之熵权法越大，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.指标正向化
这个步骤视情况自己决定把。。。。
不同的指标代表含义不一样，有的指标越大越好，称为越大越优型指标。有的指标越小越好，称为越小越优型指标，而有些指标在某个点是最好的，称为某点最优型指标。为方便评价，应把所有指标转化成越大越优型指标。
设有m个待评对象，n个评价指标，可以构成数据矩阵
设数据矩阵内元素，经过指标正向化处理过后的元素为 (Xij)'
-
越小越优型指标：C,D属于此类指标
其他处理方法也可，只要指标性质不变即可
-
某点最优型指标：E属于此类指标
设最优点为a, 当a=90时E最优。
其他处理方法也可，只要指标性质不变即可
-
越大越优型指标：其余所有指标属于此类指标
此类指标可以不用处理，想要处理也可，只要指标性质不变
mapminmax介绍
最大最小值归一化
语法
[Y,PS] = mapminmax(X,YMIN,YMAX)
[Y,PS] = mapminmax(X,FP)
Y = mapminmax('apply',X,PS)
X = mapminmax('reverse',Y,PS)
说明：
[Y,PS] = mapminmax(X,YMIN,YMAX)mapminmax(X,YMIN,YMAX) 将矩阵的每一行压缩到 [YMIN,YMAX]，其中当前行的最大值变为YMAX，最小值变为YMIN。PS为结构体储存相关信息，如最大最小值等
[Y,PS] = mapminmax(X,FP)其中FP为结构体类型，这时就是将矩阵的每一行压缩到[ FP.ymin, FP.ymax]中
Y = mapminmax('apply',X,PS)可以将之前储存的结构体应用到新的矩阵中，利用上一步得到的PS来映射X到Y
X = mapminmax('reverse',Y,PS)可按照之前数据规律，反归一化，利用归一化后的Y和PS重新得到X
2.数据标准化
因为每个指标的数量级不一样，需要把它们化到同一个范围内再比较。标准化的方法比较多，这里仅用最大最小值标准化方法。
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)'
3.计算信息熵
为避免Pij零元素的出现出现计算错误，归一化最低区间可以从0.002开始。如果某个指标的信息熵Ej越小,就表明其指标值的变异程度越大，提供的 信息量也越大，可以认为该指标在综合评价起到作用也越大。
4.计算权重以及得分
权重为：
得分为：
四、实例分析
用一篇高引用的核心期刊论文[1]为例,针对各个银行的资产收益率，费用利润率，逾期贷款率，非生息资产率，流动性比率，资产使用率，自有资本率指标进行评价。设资产收益率为A，费用利润率为B，逾期贷款率为C，非生息资产率为D，流动性比率为E，资产使用率为F，自有资本率为G。数据表格如下：
1.导入相关库
#导入相关库
import copy
import pandas as pd
import numpy as np2.读取数据
#读取数据
data=pd.read_excel('D:\桌面\shangquan.xlsx')
print(data)返回：
在这里，我们可以看到读取的数据中，有部分是我们不想要的，于是我们得做处理
首先，我们先提取一下变量名
label_need=data.keys()[2:]
print(label_need)返回：
data=data(:,3:end) %只取指标数据然后，我们提取变量名下的数据值
data1=data[label_need].values
print(data1)返回：
2.指标正向化
#指标正向 化处理后数据为data2
data2=data1
print(data2)2.1 越小越优型处理
#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
index=[2,3]
for i in range(0,len(index)):data2[:,index[i]]=max(data1[:,index[i]])-data1[:,index[i]]
print(data2)
返回：
2.2 某点最优型指标处理
#某点最优型指标
index1=[4]
a=90 #最优型数值
for i in range(0,len(index1)):data2[:,index1[i]]=1-abs(data1[:,index1[i]]-a)/max(abs(data1[:,index1[i]]-a))
print(data2)返回：
3.数据标准化
#0.002~1区间归一化
[m,n]=data2.shape
data3=copy.deepcopy(data2)
ymin=0.002
ymax=1
for j in range(0,n):d_max=max(data2[:,j])d_min=min(data2[:,j])data3[:,j]=(ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)+ymin
print(data3)返回：
4.计算信息熵
#计算信息熵
p=copy.deepcopy(data3)
for j in range(0,n):p[:,j]=data3[:,j]/sum(data3[:,j])
print(p)
E=copy.deepcopy(data3[0,:])
for j in range(0,n):E[j]=-1/np.log(m)*sum(p[:,j]*np.log(p[:,j]))
print(E)返回：
5.计算权重
# 计算权重
w=(1-E)/sum(1-E)
print(w)返回：
6.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}个评价对象得分为：{Score[i]}")返回：
总结
#导入相关库
import copy
import pandas as pd
import numpy as np
#读取数据
data=pd.read_excel('D:\桌面\shangquan.xlsx')
print(data)label_need=data.keys()[2:]
print(label_need)
data1=data[label_need].values
print(data1)#指标正向 化处理后数据为data2
data2=data1
print(data2)#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
index=[2,3]
for i in range(0,len(index)):data2[:,index[i]]=max(data1[:,index[i]])-data1[:,index[i]]
print(data2)#某点最优型指标
index1=[4]
a=90 #最优型数值
for i in range(0,len(index1)):data2[:,index1[i]]=1-abs(data1[:,index1[i]]-a)/max(abs(data1[:,index1[i]]-a))
print(data2)#0.002~1区间归一化
[m,n]=data2.shape
data3=copy.deepcopy(data2)
ymin=0.002
ymax=1
for j in range(0,n):d_max=max(data2[:,j])d_min=min(data2[:,j])data3[:,j]=(ymax-ymin)*(data2[:,j]-d_min)/(d_max-d_min)+ymin
print(data3)#计算信息熵
p=copy.deepcopy(data3)
for j in range(0,n):p[:,j]=data3[:,j]/sum(data3[:,j])
print(p)
E=copy.deepcopy(data3[0,:])
for j in range(0,n):E[j]=-1/np.log(m)*sum(p[:,j]*np.log(p[:,j]))
print(E)# 计算权重
w=(1-E)/sum(1-E)
print(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}个评价对象得分为：{Score[i]}")
