熵权法代码如何运行（熵权法EWM原理及python实现）
熵权法代码如何运行（熵权法EWM原理及python实现）熵权法的计算步骤大致分为以下三步： 熵权法就是根据一项指标的变化程度来分配权重的，举个例子：小张和小王是两个高中生，小张学习好回回期末考满分，小王学习不好考试常常不及格。在一次考试中，小张还是考了满分，而小王也考了满分。那就很不一样了，小王这里包含的信息就非常大，所对应的权重也就高一些。 上面的小例子告诉我们：越有可能发生的事情，信息量越少。越不可能发生的事情，信息量就越多。其中我们认为 概率 就是衡量事情发生的可能性大小的指标。 那么把 信息量 用字母 I表示，概率 用 p 表示，那么我们可以将它们建立一个函数关系：
熵权法是一种客观赋权方法。（客观 = 数据本身就可以告诉我们权重）
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。
方法介绍熵权法就是根据一项指标的变化程度来分配权重的，举个例子：小张和小王是两个高中生，小张学习好回回期末考满分，小王学习不好考试常常不及格。在一次考试中，小张还是考了满分，而小王也考了满分。那就很不一样了，小王这里包含的信息就非常大，所对应的权重也就高一些。
上面的小例子告诉我们：越有可能发生的事情，信息量越少。越不可能发生的事情，信息量就越多。其中我们认为 概率 就是衡量事情发生的可能性大小的指标。
那么把 信息量 用字母 I表示，概率 用 p 表示，那么我们可以将它们建立一个函数关系：
熵权法的计算步骤大致分为以下三步：
- 判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间（后面计算概率时需要保证每一个元素为非负数）。
- 计算第 j 项指标下第 i 个样本所占的比重，并将其看作相对熵计算中用到的概率。
- 计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。
- 熵权法可对 TOPSIS 法进行修正。
- 熵权法背后的原理是利用指标的变异程度进行赋权，存在一定程度的客观性，可利用主观赋权法求得的权重向量进行综合。
- 客观赋权法存在很多，求得客观权重的方法也有很多，其中灰色关联分析法得到的关联程度也可当作权重进行应用。
- 不同的标准化方法，可能得到的标准化矩阵 Z 存在差异，因此根据实际情况来使用标准化方法，注意前提都是得到的 Z 矩阵中没有负数。
总结一下步骤：
- 判断输入的矩阵中 是否存在负数，如果有则要重新标准化到非负区间（后面计算概率时需要保证每一个元素为非负数）。
- 计算第 j 项指标下第 i 个样本所占的比重，并将其看作相对熵计算中用到的 概率。
- 计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。
由于篇幅原因，下节实现。
