Python综合评价模型(二)灰色关联度法
文章目录
- 第一步 导入第三方库和案例数据
- 第二步 标准化数据
- 第三步 确定参考数列
- 第四步 计算指标数列与参考数列的差(绝对值)
- 第五步 计算灰色关联系数
- 第六步 计算灰色关联度
- 方式1 求灰色关联系数的简单平均(评价指标权重相等)
- 方式2 求灰色关联系数的加权平均(评价指标权重不等)
- 下期预告: P y t h o n 综合评价模型(三)秩和比法 \textcolor{RoyalBlue}{下期预告 : Python综合评价模型(三)秩和比法} 下期预告:Python综合评价模型(三)秩和比法
- 关注公众号“ T r i H u b 数研社”发送“ 230219 ”获取案例数据和代码 \textcolor{RoyalBlue}{关注公众号“TriHub数研社”发送“230219”获取案例数据和代码} 关注公众号“TriHub数研社”发送“230219”获取案例数据和代码
灰色关联度法是基于评价指标(比较数列)与评价标准(参考数列)的灰色关联度对评价对象进行综合评价
若评价指标有目标值,则可把目标值数列作为参考数列
若评价指标无目标值,则可把正理想解数列(或负理想解数列)作为参考数列
改进简化后,第i个评价对象的第j个评价指标数值与参考数列的第j个评价指标数值的灰色关联系数计算公式为:
ζ i , j = min i ∣ x 0 j − x i j ∣ + ρ max i ∣ x 0 j − x i j ∣ ∣ x 0 j − x i j ∣ + ρ max i ∣ x 0 j − x i j ∣ \zeta_{i,j}=\frac{\min_i|x_{0j}-x_{ij}|+\rho \max_i|x_{0j}-x_{ij}|}{|x_{0j}-x_{ij}|+\rho \max_i|x_{0j}-x_{ij}|} ζi,j=∣x0j−xij∣+ρmaxi∣x0j−xij∣mini∣x0j−xij∣+ρmaxi∣x0j−xij∣
式中,ρ为分辨系数,取值区间为(0,1),一般取0.5,分辨系数越小,关联系数间差异越大,区分能力越强,反之亦然
第一步 导入第三方库和案例数据
import numpy as np
import pandas as pd
#按指定路径导入数据,以“地区”为索引(文件路径需按实际情况更换)
data = pd.read_excel(r'C:/Users/AROUS/Desktop/综合评价案例数据.xlsx', index_col = '地区')
data
第二步 标准化数据
#定义z-score标准化函数
def z_score(x): return (x - x.mean()) / x.std()
#使用z-score标准化函数标准化数据
data_z = data.apply(z_score, 0)
data_z
第三步 确定参考数列
#逐列求解最大值,即计算正理想解
cplus = data_z.max(axis = 0)
第四步 计算指标数列与参考数列的差(绝对值)
diff = abs(cplus - data_z)
diff
第五步 计算灰色关联系数
#计算各项评价指标的最小差
mmin = diff.min()
#计算各项评价指标的最大差
mmax = diff.max()
#设置分辨系数
rho = 0.5
#计算灰色关联系数
grc = (mmin + rho*mmax)/(diff + rho*mmax)
grc
第六步 计算灰色关联度
方式1 求灰色关联系数的简单平均(评价指标权重相等)
data_z['灰色关联度法得分(权重相等)'] = grc.mean(axis = 1)
data_z
方式2 求灰色关联系数的加权平均(评价指标权重不等)
#导入评价指标权重
w_list = [0.2, 0.15, 0.15, 0.1, 0.1, 0.1, 0.1, 0.1]
w = pd.DataFrame(w_list, columns=['评价指标权重'])
w
# 计算灰色关联系数的加权平均
data_z['灰色关联度法得分(权重不等)'] = grc.values.dot(w.values)
data_z
下期预告: P y t h o n 综合评价模型(三)秩和比法 \textcolor{RoyalBlue}{下期预告 : Python综合评价模型(三)秩和比法} 下期预告:Python综合评价模型(三)秩和比法
关注公众号“ T r i H u b 数研社”发送“ 230219 ”获取案例数据和代码 \textcolor{RoyalBlue}{关注公众号“TriHub数研社”发送“230219”获取案例数据和代码} 关注公众号“TriHub数研社”发送“230219”获取案例数据和代码
Python综合评价模型(二)灰色关联度法相关推荐
- Python综合评价模型(三)秩和比法
文章目录 第一步 导入第三方库和案例数据 第二步 标准化数据 第三步 编秩 第四步 计算秩和比 方式1 计算秩的简单平均(评价指标权重相等) 方式2 计算秩的加权平均(评价指标权重不等) 第五步 导出 ...
- Python综合评价模型(四)主成分分析法
文章目录 第一步 导入第三方库和案例数据 第二步 标准化数据 第三步 训练模型 第四步 计算主成分个数 方式1 按特征值计算主成分个数 方式2 按累积贡献率计算主成分个数 第五步 计算主成分系数 第六 ...
- Python综合评价模型(五)专家评分法
文章目录 第一步 导入第三方库和案例数据 第二步 标准化数据 第三步 计算权重 第四步 计算综合得分 第五步 导出综合评价结果 下期预告: P y t h o n 综合评价模型(六)层次分析法 \te ...
- Python综合评价模型(七)变异系数法
目录 第一步 导入第三方库和案例数据 第二步 标准化数据(min-max标准化) 第三步 计算评价指标的变异系数 第四步 计算评价指标的权重 第五步 计算综合得分 第六步 导出综合评价结果 下期预告: ...
- Python数据分析案例11——灰色预测法预测时间序列数据
本次案例来自2022华为杯第E题,第2小问.给定了2012.01-2022.03的土壤湿度的月度数据,需要预测2022.04-2023.12的土壤湿度的月度数据.典型的时间序列预测. 传统的时间序列预 ...
- 一文速学数模-评价模型(二)熵权法实战确定评价指标权重
目录 前言 一.熵权法介绍 二.使用步骤 1.数据预处理 2.计算指标信息熵
- 灰色关联度矩阵模型及其MATLAB实现
灰色关联度模型 引入 灰色关联度矩阵是灰色系统另一个非常重要的领域,通常用于分析向量与向量之间或矩阵与矩阵之间的关联度,其实用性非常强. 基本原理 (1)基本定义 假设有一组参考数列: xj=(xj( ...
- 灰色关联分析法——系统分析或综合评价模型
Q1:什么是系统分析? 比方说在社会系统.经济系统.农业系统.教育系统中,每个系统都含有许多种因素,而这多种因素共同作用的结果决定了该系统的发展态势,我们常常希望知道在这众多因素中,哪些因素对系统发展 ...
- python灰色关联度分析_灰色关联分析法 python
广告关闭 腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 本文2290字,预计阅读需10分钟: 关联分析(association anal ...
最新文章
- 为了让AI像人一样思考,DeepMind这次又干了什么?
- shell编程基础之基本文本工具集合
- pandas:数据类型的转换
- STL之map和multimap容器
- Linux内核编程广泛使用的前向声明(Forward Declaration)
- RichEdit控件的使用(未完)
- C语言分治算法求中位数,【算法复习】分治算法
- RFID射频识别技术介绍及简单应用
- 酒店产生蜱虫原因及如何处理
- Tess4j的使用(识别中文)
- Python之父Guido在最近一次采访的最后说了啥
- Java学生管理系统功能结构图
- 构造图片木马,绕过文件内容检测上传木马
- CF1076C Meme Problem(韦达定理)
- 阿里高频面试题:如何快速判断元素是不是在集合里?
- 第7章第26节:三图排版:三张图片并列排版 [PowerPoint精美幻灯片实战教程]
- 2019年 支付宝集福攻略
- jquery ajax,ashx,json用法小结
- caffe 菜鸟学习记录
- 串口助手测试NB-IoT模块与华为OceanConnect平台通信(BC35-G模块、非常详细)
热门文章
- GitHubActions详解
- 【微信小程序】关于使用ECharts制作图表
- openTSDB详解之Writing Data
- webservice学习
- 三维重建、视觉定位、传感器位置推算,滴滴 AR 实景导航技术详解
- JavaScript手写(持续更新)
- VUE2版本引入Element UI
- mysql不能存字母_jdbc - 无法在mysql中存储俄语中文阿拉伯语字母
- PHP与MySQL外文文献译文和原文_计算机外文翻译---基于PHP和MYSQL的网站设计和实现...
- java先进先出 循环队列_java队列--先进先出(循环队列、链队列)