用Python手把手教你实现TOPSIS算法从Excel数据到决策排序附完整代码当面对多个候选方案需要综合评估时TOPSISTechnique for Order Preference by Similarity to Ideal Solution算法提供了一种直观有效的决策方法。想象一下这样的场景你手头有一份包含20家供应商评估数据的Excel表格每行代表一个供应商列是各项评估指标如价格、交货周期、质量评分等。如何快速客观地给这些供应商排序这就是TOPSIS要解决的问题。与传统评分方法不同TOPSIS通过计算每个方案与理想解的相对接近度来排序。所谓理想解就是假设存在一个完美方案各指标都最优和一个最差方案各指标都最劣我们的目标就是找出最接近完美方案同时远离最差方案的实际方案。这种方法避免了人为赋权的主观性特别适合处理多指标决策问题。1. 环境准备与数据加载在开始之前确保已安装以下Python库pip install pandas numpy scipy matplotlib假设我们有一个名为supplier_evaluation.xlsx的Excel文件包含以下结构的数据供应商ID价格(万元)交货周期(天)质量评分(1-10)售后服务评分(1-5)S0011201584S002952573S0031102095用pandas加载数据import pandas as pd # 读取Excel文件 df pd.read_excel(supplier_evaluation.xlsx, index_col供应商ID) print(原始数据) print(df.head()) # 定义指标类型1表示效益型-1表示成本型 criteria_type { 价格(万元): -1, # 成本型越小越好 交货周期(天): -1, 质量评分(1-10): 1, # 效益型越大越好 售后服务评分(1-5): 1 }2. 数据规范化处理不同指标的量纲和方向性不同需要进行规范化处理。TOPSIS通常采用向量归一化方法import numpy as np def normalize_matrix(df, criteria_type): # 转换为numpy数组 X df.values m, n X.shape # 向量归一化 norm_X X / np.linalg.norm(X, axis0) # 调整成本型指标方向 for j in range(n): if list(criteria_type.values())[j] -1: norm_X[:, j] -norm_X[:, j] # 成本型指标取负 return norm_X norm_X normalize_matrix(df, criteria_type) print(\n规范化矩阵) print(pd.DataFrame(norm_X, indexdf.index, columnsdf.columns))3. 确定权重与理想解权重反映了各指标的重要性程度。可以通过AHP、熵权法等方法确定这里假设我们已经获得权重weights np.array([0.3, 0.2, 0.3, 0.2]) # 价格、交货、质量、售后 # 加权规范化矩阵 weighted_norm_X norm_X * weights # 确定正负理想解 positive_ideal np.max(weighted_norm_X, axis0) negative_ideal np.min(weighted_norm_X, axis0) print(\n正理想解, positive_ideal) print(负理想解, negative_ideal)4. 计算距离与贴近度计算每个方案到正负理想解的欧氏距离from scipy.spatial import distance # 计算距离 dist_pos np.array([distance.euclidean(x, positive_ideal) for x in weighted_norm_X]) dist_neg np.array([distance.euclidean(x, negative_ideal) for x in weighted_norm_X]) # 计算贴近度 closeness dist_neg / (dist_pos dist_neg) # 添加到DataFrame result_df df.copy() result_df[正理想距离] dist_pos result_df[负理想距离] dist_neg result_df[贴近度] closeness result_df[排名] result_df[贴近度].rank(ascendingFalse) print(\n计算结果) print(result_df.sort_values(排名))5. 结果可视化与分析为了更好地理解结果我们可以绘制雷达图和排序条形图import matplotlib.pyplot as plt from matplotlib.patches import Circle # 雷达图函数 def plot_radar_chart(df, criteria_type, top_n3): categories list(df.columns[:-4]) # 排除计算列 N len(categories) angles np.linspace(0, 2*np.pi, N, endpointFalse).tolist() angles angles[:1] # 闭合 fig, ax plt.subplots(figsize(8,8), subplot_kw{polar: True}) # 绘制每个供应商 for idx, (supplier, row) in enumerate(df.sort_values(排名).head(top_n).iterrows()): values row[categories].values.tolist() values values[:1] ax.plot(angles, values, linewidth2, labelf{supplier} (排名:{int(row[排名])})) ax.fill(angles, values, alpha0.25) # 设置坐标轴 ax.set_theta_offset(np.pi/2) ax.set_theta_direction(-1) ax.set_thetagrids(np.degrees(angles[:-1]), categories) # 设置极径 for crit, typ in criteria_type.items(): if typ 1: ax.set_rlabel_position(angles[categories.index(crit)]*180/np.pi) plt.legend(locupper right, bbox_to_anchor(1.3, 1.1)) plt.title(TOP供应商指标对比雷达图) plt.show() # 绘制排序结果 def plot_ranking(result_df): plt.figure(figsize(10,6)) ranked result_df.sort_values(贴近度, ascendingTrue) plt.barh(ranked.index, ranked[贴近度], colorskyblue) for i, v in enumerate(ranked[贴近度]): plt.text(v, i, f {v:.3f}, vacenter) plt.xlabel(贴近度) plt.title(供应商TOPSIS排序结果) plt.grid(axisx, linestyle--, alpha0.7) plt.show() # 执行可视化 plot_radar_chart(result_df, criteria_type) plot_ranking(result_df)6. 完整代码封装与扩展将上述步骤封装为可复用的Python类class TOPSIS: def __init__(self, data, criteria_type, weightsNone): self.data data self.criteria_type criteria_type self.weights weights if weights else np.ones(data.shape[1])/data.shape[1] self.normalized_data None self.weighted_data None self.positive_ideal None self.negative_ideal None self.result_df None def normalize(self): X self.data.values norm_X X / np.linalg.norm(X, axis0) for j, typ in enumerate(self.criteria_type.values()): if typ -1: norm_X[:, j] -norm_X[:, j] self.normalized_data pd.DataFrame( norm_X, indexself.data.index, columnsself.data.columns) return self def calculate_ideal_solutions(self): self.weighted_data self.normalized_data * self.weights self.positive_ideal np.max(self.weighted_data.values, axis0) self.negative_ideal np.min(self.weighted_data.values, axis0) return self def evaluate(self): dist_pos np.array([distance.euclidean(x, self.positive_ideal) for x in self.weighted_data.values]) dist_neg np.array([distance.euclidean(x, self.negative_ideal) for x in self.weighted_data.values]) closeness dist_neg / (dist_pos dist_neg) self.result_df self.data.copy() self.result_df[正理想距离] dist_pos self.result_df[负理想距离] dist_neg self.result_df[贴近度] closeness self.result_df[排名] self.result_df[贴近度].rank(ascendingFalse) return self.result_df.sort_values(排名) def run(self): return (self.normalize() .calculate_ideal_solutions() .evaluate()) # 使用示例 topsis TOPSIS(df, criteria_type, weights) ranking_result topsis.run() print(ranking_result)7. 实际应用中的注意事项指标类型确认效益型指标越大越好如质量评分、客户满意度成本型指标越小越好如价格、交货时间区间型指标在某个范围内最好如温度、pH值需要额外处理权重确定方法主观赋权法专家打分、AHP层次分析法客观赋权法熵权法、CRITIC法组合赋权法主客观结合数据预处理技巧# 处理缺失值 df df.fillna(df.mean()) # 数据标准化可选 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() scaled_data scaler.fit_transform(df)结果验证方法敏感性分析微调权重观察排名变化对比实验与其他决策方法如加权求和、VIKOR结果比较实际验证将排名结果与实际业务表现对比性能优化建议# 使用numpy向量化运算加速 def fast_distance(X, ideal): return np.sqrt(np.sum((X - ideal)**2, axis1)) # 并行计算适用于大数据集 from joblib import Parallel, delayed distances Parallel(n_jobs-1)( delayed(distance.euclidean)(x, ideal) for x in weighted_norm_X )8. 扩展应用场景TOPSIS算法可以应用于各种决策场景只需适当调整指标体系和权重投资组合选择指标预期收益率、风险等级、流动性、投资期限权重[0.4, 0.3, 0.2, 0.1]人才评估系统employee_data pd.DataFrame({ 专业技能: [8, 7, 9, 6], 团队合作: [7, 8, 6, 9], 创新能力: [6, 7, 8, 7], 项目经验: [5, 6, 7, 8] }, index[候选人A, 候选人B, 候选人C, 候选人D]) emp_criteria {专业技能:1, 团队合作:1, 创新能力:1, 项目经验:1} emp_weights [0.3, 0.2, 0.2, 0.3] emp_topsis TOPSIS(employee_data, emp_criteria, emp_weights) print(emp_topsis.run())产品选型评估建立包含价格、功能、兼容性、维护成本等维度的评估体系根据企业需求动态调整权重智能选址分析location_data pd.DataFrame({ 租金成本: [12000, 15000, 10000], 客流量: [500, 700, 400], 竞争强度: [3, 5, 2], # 1-5分越小越好 交通便利性: [4, 3, 5] # 1-5分 }, index[位置A, 位置B, 位置C]) loc_criteria {租金成本:-1, 客流量:1, 竞争强度:-1, 交通便利性:1} loc_weights [0.3, 0.4, 0.2, 0.1] loc_topsis TOPSIS(location_data, loc_criteria, loc_weights) print(loc_topsis.run())医疗方案评估考虑疗效、副作用、费用、治疗周期等多维度指标医生和患者可以设置不同的权重体系得到个性化推荐9. 常见问题解决方案问题1如何处理区间型指标对于像温度控制在18-22℃最佳这类指标需要特殊处理def interval_normalize(series, best_min, best_max, tolerable_min, tolerable_max): normalized np.zeros_like(series) for i, val in enumerate(series): if val best_min: if val tolerable_min: normalized[i] 1 - (best_min - val)/(best_min - tolerable_min) else: normalized[i] 0 elif val best_max: if val tolerable_max: normalized[i] 1 - (val - best_max)/(tolerable_max - best_max) else: normalized[i] 0 else: normalized[i] 1 return normalized # 示例温度指标处理 temperature pd.Series([17, 20, 25, 22, 15]) normalized_temp interval_normalize(temperature, 18, 22, 15, 25)问题2权重如何科学确定推荐使用熵权法自动计算权重def entropy_weight(X): # 数据标准化 X X / X.sum(axis0) # 计算熵值 k 1 / np.log(X.shape[0]) entropy -k * (X * np.log(X)).sum(axis0) # 计算差异系数和权重 diversity 1 - entropy weights diversity / diversity.sum() return weights # 使用示例 weights entropy_weight(df.values)问题3如何处理大量数据时的性能问题对于大规模数据集# 使用Dask进行分布式计算 import dask.dataframe as dd def large_scale_topsis(dask_df, criteria_type, weights): # 转换为dask array X dask_df.values # 向量归一化 norms da.sqrt((X ** 2).sum(axis0)) norm_X X / norms # 调整方向 for j, typ in enumerate(criteria_type.values()): if typ -1: norm_X[:, j] -norm_X[:, j] # 加权计算 weighted_norm_X norm_X * weights # 计算理想解 positive_ideal weighted_norm_X.max(axis0) negative_ideal weighted_norm_X.min(axis0) # 计算距离 dist_pos da.sqrt(((weighted_norm_X - positive_ideal) ** 2).sum(axis1)) dist_neg da.sqrt(((weighted_norm_X - negative_ideal) ** 2).sum(axis1)) # 计算贴近度 closeness dist_neg / (dist_pos dist_neg) return closeness.compute()问题4如何解释TOPSIS结果给非技术人员建议制作直观的可视化报告def generate_report(result_df, top_n5): # 创建图表 fig, axes plt.subplots(2, 1, figsize(12, 10)) # 排名条形图 top_results result_df.sort_values(贴近度).tail(top_n) axes[0].barh(top_results.index, top_results[贴近度], color#4c72b0) axes[0].set_title(fTOP {top_n} 方案排名) axes[0].set_xlabel(贴近度) # 指标对比图 normalized_top top_results.iloc[:, :-4] # 排除计算列 normalized_top.plot(kindbar, axaxes[1], colormapviridis, title各方案指标对比) axes[1].set_xticklabels(top_results.index, rotation0) plt.tight_layout() return fig report generate_report(ranking_result) report.savefig(TOPSIS_Report.png, dpi300)10. 与其他决策方法的对比在实际项目中TOPSIS常与其他多准则决策方法结合使用方法优点缺点适用场景TOPSIS直观易懂计算简单对权重敏感方案排序有明显理想解的情况AHP系统性好一致性检验成对比较工作量大指标权重确定灰色关联分析小样本也能工作数据要求低分辨率有时不高数据不完整或样本少的情况VIKOR考虑群体效用和个体遗憾参数设置影响大需要平衡妥协解的决策PROMETHEE处理模糊偏好灵活计算复杂有明确偏好函数的复杂决策# 与其他方法的集成示例 from pyDecision.algorithm import topsis, vikor # TOPSIS结果 topsis_result topsis(df.values, weights, criteria_type[1 if x1 else -1 for x in criteria_type.values()]) # VIKOR结果 vikor_result vikor(df.values, weights, criteria_type[1 if x1 else -1 for x in criteria_type.values()]) # 综合比较 comparison pd.DataFrame({ TOPSIS排名: topsis_result[:, -1], VIKOR排名: vikor_result[:, -1] }, indexdf.index)
用Python手把手教你实现TOPSIS算法：从Excel数据到决策排序（附完整代码）
发布时间：2026/6/8 6:55:48
用Python手把手教你实现TOPSIS算法从Excel数据到决策排序附完整代码当面对多个候选方案需要综合评估时TOPSISTechnique for Order Preference by Similarity to Ideal Solution算法提供了一种直观有效的决策方法。想象一下这样的场景你手头有一份包含20家供应商评估数据的Excel表格每行代表一个供应商列是各项评估指标如价格、交货周期、质量评分等。如何快速客观地给这些供应商排序这就是TOPSIS要解决的问题。与传统评分方法不同TOPSIS通过计算每个方案与理想解的相对接近度来排序。所谓理想解就是假设存在一个完美方案各指标都最优和一个最差方案各指标都最劣我们的目标就是找出最接近完美方案同时远离最差方案的实际方案。这种方法避免了人为赋权的主观性特别适合处理多指标决策问题。1. 环境准备与数据加载在开始之前确保已安装以下Python库pip install pandas numpy scipy matplotlib假设我们有一个名为supplier_evaluation.xlsx的Excel文件包含以下结构的数据供应商ID价格(万元)交货周期(天)质量评分(1-10)售后服务评分(1-5)S0011201584S002952573S0031102095用pandas加载数据import pandas as pd # 读取Excel文件 df pd.read_excel(supplier_evaluation.xlsx, index_col供应商ID) print(原始数据) print(df.head()) # 定义指标类型1表示效益型-1表示成本型 criteria_type { 价格(万元): -1, # 成本型越小越好 交货周期(天): -1, 质量评分(1-10): 1, # 效益型越大越好 售后服务评分(1-5): 1 }2. 数据规范化处理不同指标的量纲和方向性不同需要进行规范化处理。TOPSIS通常采用向量归一化方法import numpy as np def normalize_matrix(df, criteria_type): # 转换为numpy数组 X df.values m, n X.shape # 向量归一化 norm_X X / np.linalg.norm(X, axis0) # 调整成本型指标方向 for j in range(n): if list(criteria_type.values())[j] -1: norm_X[:, j] -norm_X[:, j] # 成本型指标取负 return norm_X norm_X normalize_matrix(df, criteria_type) print(\n规范化矩阵) print(pd.DataFrame(norm_X, indexdf.index, columnsdf.columns))3. 确定权重与理想解权重反映了各指标的重要性程度。可以通过AHP、熵权法等方法确定这里假设我们已经获得权重weights np.array([0.3, 0.2, 0.3, 0.2]) # 价格、交货、质量、售后 # 加权规范化矩阵 weighted_norm_X norm_X * weights # 确定正负理想解 positive_ideal np.max(weighted_norm_X, axis0) negative_ideal np.min(weighted_norm_X, axis0) print(\n正理想解, positive_ideal) print(负理想解, negative_ideal)4. 计算距离与贴近度计算每个方案到正负理想解的欧氏距离from scipy.spatial import distance # 计算距离 dist_pos np.array([distance.euclidean(x, positive_ideal) for x in weighted_norm_X]) dist_neg np.array([distance.euclidean(x, negative_ideal) for x in weighted_norm_X]) # 计算贴近度 closeness dist_neg / (dist_pos dist_neg) # 添加到DataFrame result_df df.copy() result_df[正理想距离] dist_pos result_df[负理想距离] dist_neg result_df[贴近度] closeness result_df[排名] result_df[贴近度].rank(ascendingFalse) print(\n计算结果) print(result_df.sort_values(排名))5. 结果可视化与分析为了更好地理解结果我们可以绘制雷达图和排序条形图import matplotlib.pyplot as plt from matplotlib.patches import Circle # 雷达图函数 def plot_radar_chart(df, criteria_type, top_n3): categories list(df.columns[:-4]) # 排除计算列 N len(categories) angles np.linspace(0, 2*np.pi, N, endpointFalse).tolist() angles angles[:1] # 闭合 fig, ax plt.subplots(figsize(8,8), subplot_kw{polar: True}) # 绘制每个供应商 for idx, (supplier, row) in enumerate(df.sort_values(排名).head(top_n).iterrows()): values row[categories].values.tolist() values values[:1] ax.plot(angles, values, linewidth2, labelf{supplier} (排名:{int(row[排名])})) ax.fill(angles, values, alpha0.25) # 设置坐标轴 ax.set_theta_offset(np.pi/2) ax.set_theta_direction(-1) ax.set_thetagrids(np.degrees(angles[:-1]), categories) # 设置极径 for crit, typ in criteria_type.items(): if typ 1: ax.set_rlabel_position(angles[categories.index(crit)]*180/np.pi) plt.legend(locupper right, bbox_to_anchor(1.3, 1.1)) plt.title(TOP供应商指标对比雷达图) plt.show() # 绘制排序结果 def plot_ranking(result_df): plt.figure(figsize(10,6)) ranked result_df.sort_values(贴近度, ascendingTrue) plt.barh(ranked.index, ranked[贴近度], colorskyblue) for i, v in enumerate(ranked[贴近度]): plt.text(v, i, f {v:.3f}, vacenter) plt.xlabel(贴近度) plt.title(供应商TOPSIS排序结果) plt.grid(axisx, linestyle--, alpha0.7) plt.show() # 执行可视化 plot_radar_chart(result_df, criteria_type) plot_ranking(result_df)6. 完整代码封装与扩展将上述步骤封装为可复用的Python类class TOPSIS: def __init__(self, data, criteria_type, weightsNone): self.data data self.criteria_type criteria_type self.weights weights if weights else np.ones(data.shape[1])/data.shape[1] self.normalized_data None self.weighted_data None self.positive_ideal None self.negative_ideal None self.result_df None def normalize(self): X self.data.values norm_X X / np.linalg.norm(X, axis0) for j, typ in enumerate(self.criteria_type.values()): if typ -1: norm_X[:, j] -norm_X[:, j] self.normalized_data pd.DataFrame( norm_X, indexself.data.index, columnsself.data.columns) return self def calculate_ideal_solutions(self): self.weighted_data self.normalized_data * self.weights self.positive_ideal np.max(self.weighted_data.values, axis0) self.negative_ideal np.min(self.weighted_data.values, axis0) return self def evaluate(self): dist_pos np.array([distance.euclidean(x, self.positive_ideal) for x in self.weighted_data.values]) dist_neg np.array([distance.euclidean(x, self.negative_ideal) for x in self.weighted_data.values]) closeness dist_neg / (dist_pos dist_neg) self.result_df self.data.copy() self.result_df[正理想距离] dist_pos self.result_df[负理想距离] dist_neg self.result_df[贴近度] closeness self.result_df[排名] self.result_df[贴近度].rank(ascendingFalse) return self.result_df.sort_values(排名) def run(self): return (self.normalize() .calculate_ideal_solutions() .evaluate()) # 使用示例 topsis TOPSIS(df, criteria_type, weights) ranking_result topsis.run() print(ranking_result)7. 实际应用中的注意事项指标类型确认效益型指标越大越好如质量评分、客户满意度成本型指标越小越好如价格、交货时间区间型指标在某个范围内最好如温度、pH值需要额外处理权重确定方法主观赋权法专家打分、AHP层次分析法客观赋权法熵权法、CRITIC法组合赋权法主客观结合数据预处理技巧# 处理缺失值 df df.fillna(df.mean()) # 数据标准化可选 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() scaled_data scaler.fit_transform(df)结果验证方法敏感性分析微调权重观察排名变化对比实验与其他决策方法如加权求和、VIKOR结果比较实际验证将排名结果与实际业务表现对比性能优化建议# 使用numpy向量化运算加速 def fast_distance(X, ideal): return np.sqrt(np.sum((X - ideal)**2, axis1)) # 并行计算适用于大数据集 from joblib import Parallel, delayed distances Parallel(n_jobs-1)( delayed(distance.euclidean)(x, ideal) for x in weighted_norm_X )8. 扩展应用场景TOPSIS算法可以应用于各种决策场景只需适当调整指标体系和权重投资组合选择指标预期收益率、风险等级、流动性、投资期限权重[0.4, 0.3, 0.2, 0.1]人才评估系统employee_data pd.DataFrame({ 专业技能: [8, 7, 9, 6], 团队合作: [7, 8, 6, 9], 创新能力: [6, 7, 8, 7], 项目经验: [5, 6, 7, 8] }, index[候选人A, 候选人B, 候选人C, 候选人D]) emp_criteria {专业技能:1, 团队合作:1, 创新能力:1, 项目经验:1} emp_weights [0.3, 0.2, 0.2, 0.3] emp_topsis TOPSIS(employee_data, emp_criteria, emp_weights) print(emp_topsis.run())产品选型评估建立包含价格、功能、兼容性、维护成本等维度的评估体系根据企业需求动态调整权重智能选址分析location_data pd.DataFrame({ 租金成本: [12000, 15000, 10000], 客流量: [500, 700, 400], 竞争强度: [3, 5, 2], # 1-5分越小越好 交通便利性: [4, 3, 5] # 1-5分 }, index[位置A, 位置B, 位置C]) loc_criteria {租金成本:-1, 客流量:1, 竞争强度:-1, 交通便利性:1} loc_weights [0.3, 0.4, 0.2, 0.1] loc_topsis TOPSIS(location_data, loc_criteria, loc_weights) print(loc_topsis.run())医疗方案评估考虑疗效、副作用、费用、治疗周期等多维度指标医生和患者可以设置不同的权重体系得到个性化推荐9. 常见问题解决方案问题1如何处理区间型指标对于像温度控制在18-22℃最佳这类指标需要特殊处理def interval_normalize(series, best_min, best_max, tolerable_min, tolerable_max): normalized np.zeros_like(series) for i, val in enumerate(series): if val best_min: if val tolerable_min: normalized[i] 1 - (best_min - val)/(best_min - tolerable_min) else: normalized[i] 0 elif val best_max: if val tolerable_max: normalized[i] 1 - (val - best_max)/(tolerable_max - best_max) else: normalized[i] 0 else: normalized[i] 1 return normalized # 示例温度指标处理 temperature pd.Series([17, 20, 25, 22, 15]) normalized_temp interval_normalize(temperature, 18, 22, 15, 25)问题2权重如何科学确定推荐使用熵权法自动计算权重def entropy_weight(X): # 数据标准化 X X / X.sum(axis0) # 计算熵值 k 1 / np.log(X.shape[0]) entropy -k * (X * np.log(X)).sum(axis0) # 计算差异系数和权重 diversity 1 - entropy weights diversity / diversity.sum() return weights # 使用示例 weights entropy_weight(df.values)问题3如何处理大量数据时的性能问题对于大规模数据集# 使用Dask进行分布式计算 import dask.dataframe as dd def large_scale_topsis(dask_df, criteria_type, weights): # 转换为dask array X dask_df.values # 向量归一化 norms da.sqrt((X ** 2).sum(axis0)) norm_X X / norms # 调整方向 for j, typ in enumerate(criteria_type.values()): if typ -1: norm_X[:, j] -norm_X[:, j] # 加权计算 weighted_norm_X norm_X * weights # 计算理想解 positive_ideal weighted_norm_X.max(axis0) negative_ideal weighted_norm_X.min(axis0) # 计算距离 dist_pos da.sqrt(((weighted_norm_X - positive_ideal) ** 2).sum(axis1)) dist_neg da.sqrt(((weighted_norm_X - negative_ideal) ** 2).sum(axis1)) # 计算贴近度 closeness dist_neg / (dist_pos dist_neg) return closeness.compute()问题4如何解释TOPSIS结果给非技术人员建议制作直观的可视化报告def generate_report(result_df, top_n5): # 创建图表 fig, axes plt.subplots(2, 1, figsize(12, 10)) # 排名条形图 top_results result_df.sort_values(贴近度).tail(top_n) axes[0].barh(top_results.index, top_results[贴近度], color#4c72b0) axes[0].set_title(fTOP {top_n} 方案排名) axes[0].set_xlabel(贴近度) # 指标对比图 normalized_top top_results.iloc[:, :-4] # 排除计算列 normalized_top.plot(kindbar, axaxes[1], colormapviridis, title各方案指标对比) axes[1].set_xticklabels(top_results.index, rotation0) plt.tight_layout() return fig report generate_report(ranking_result) report.savefig(TOPSIS_Report.png, dpi300)10. 与其他决策方法的对比在实际项目中TOPSIS常与其他多准则决策方法结合使用方法优点缺点适用场景TOPSIS直观易懂计算简单对权重敏感方案排序有明显理想解的情况AHP系统性好一致性检验成对比较工作量大指标权重确定灰色关联分析小样本也能工作数据要求低分辨率有时不高数据不完整或样本少的情况VIKOR考虑群体效用和个体遗憾参数设置影响大需要平衡妥协解的决策PROMETHEE处理模糊偏好灵活计算复杂有明确偏好函数的复杂决策# 与其他方法的集成示例 from pyDecision.algorithm import topsis, vikor # TOPSIS结果 topsis_result topsis(df.values, weights, criteria_type[1 if x1 else -1 for x in criteria_type.values()]) # VIKOR结果 vikor_result vikor(df.values, weights, criteria_type[1 if x1 else -1 for x in criteria_type.values()]) # 综合比较 comparison pd.DataFrame({ TOPSIS排名: topsis_result[:, -1], VIKOR排名: vikor_result[:, -1] }, indexdf.index)
