企业官网建设流程全解析

用Python+TOPSIS法5分钟搞定多指标决策分析

当面对供应商评估、产品选型或项目优先级排序时，我们常陷入指标权重分配的纠结中。TOPSIS（优劣解距离法）提供了一种数据驱动的解决方案，它能自动计算各方案与理想解的接近程度，避免了主观判断的偏差。本文将手把手教你用Python实现这套方法论，从数据预处理到结果可视化一气呵成。

1. 环境准备与数据加载

首先确保安装必要的Python库：

pip install pandas numpy matplotlib seaborn

假设我们有一份供应商评估的CSV数据，包含以下指标：

import pandas as pd data = pd.read_csv('suppliers.csv') print(data.head(3))

典型的数据结构示例如下：

注意：价格和交货周期属于成本型指标（越小越好），而质量合格率和售后服务评分属于效益型指标（越大越好）

2. 数据预处理与指标正向化

不同类型的指标需要统一转换为效益型指标（极大型）。建立转换函数：

import numpy as np def normalize_matrix(df, specs): """ df: 原始数据框 specs: 字典，指定每列指标类型和参数 示例: {'价格（万元）': ('cost', None), '交货周期（天）': ('cost', None), '质量合格率（%）': ('benefit', None), '售后服务评分': ('interval', [4,5])} """ normalized = df.copy() for col in df.columns[1:]: # 跳过第一列名称 if specs[col][0] == 'cost': normalized[col] = df[col].max() - df[col] elif specs[col][0] == 'interval': a, b = specs[col][1] M = max(a - df[col].min(), df[col].max() - b) normalized[col] = np.where( df[col] < a, 1 - (a - df[col])/M, np.where(df[col] > b, 1 - (df[col] - b)/M, 1) ) return normalized

关键处理步骤说明：

1. 成本型指标：用最大值减去原值
2. 区间型指标：设定最优区间[a,b]，按距离区间远近转换
3. 中间型指标：设定最优值value，按偏离程度转换

3. 权重计算与矩阵标准化

熵权法是一种客观赋权方法，根据指标数据的离散程度自动计算权重：

def entropy_weight(matrix): # 标准化到[0,1]区间 norm = matrix.apply(lambda x: (x - x.min()) / (x.max() - x.min() + 1e-6)) # 计算熵值 k = 1 / np.log(matrix.shape[0]) p = norm.div(norm.sum(axis=0)) e = -k * (p * np.log(p)).sum(axis=0) # 计算权重 return (1 - e) / (1 - e).sum()

应用权重并标准化矩阵：

specs = {'价格（万元）': ('cost', None), '交货周期（天）': ('cost', None), '质量合格率（%）': ('benefit', None), '售后服务评分': ('interval', [4,5])} normalized = normalize_matrix(data, specs) weights = entropy_weight(normalized.iloc[:,1:]) weighted_matrix = normalized.iloc[:,1:].apply(lambda x: x * weights)

4. 计算理想解与排序得分

确定正负理想解并计算各方案距离：

def topsis_score(weighted_matrix): # 确定理想解 ideal_best = weighted_matrix.max() ideal_worst = weighted_matrix.min() # 计算欧氏距离 d_best = np.sqrt(((weighted_matrix - ideal_best)**2).sum(axis=1)) d_worst = np.sqrt(((weighted_matrix - ideal_worst)**2).sum(axis=1)) # 计算相对接近度 return d_worst / (d_best + d_worst) scores = topsis_score(weighted_matrix) result = data.assign(Score=scores.values).sort_values('Score', ascending=False)

5. 结果可视化与解读

使用Seaborn生成雷达图直观展示各供应商表现：

import matplotlib.pyplot as plt import seaborn as sns def plot_radar_chart(df, title): categories = list(df.columns[1:-1]) N = len(categories) angles = [n / float(N) * 2 * np.pi for n in range(N)] angles += angles[:1] fig = plt.figure(figsize=(8,8)) ax = fig.add_subplot(111, polar=True) for idx, row in df.iterrows(): values = row.values[1:-1].flatten().tolist() values += values[:1] ax.plot(angles, values, linewidth=1, linestyle='solid', label=f"{row[0]} (Score: {row[-1]:.2f})") ax.set_xticks(angles[:-1]) ax.set_xticklabels(categories) ax.set_title(title, y=1.1) ax.legend(bbox_to_anchor=(1.1, 1.1)) plt.show() plot_radar_chart(result.head(3), "Top 3 Suppliers Comparison")

实际项目中我发现，当指标间相关性较强时，建议先进行主成分分析降维。曾有个客户案例中，8个原始指标通过PCA压缩到3个主成分后，TOPSIS计算结果反而更符合业务直觉。

完整代码已封装成类，支持一键调用：

class TopsisEvaluator: def __init__(self, data_path): self.data = pd.read_csv(data_path) self.specs = None self.weights = None def evaluate(self, specs): self.specs = specs normalized = self._normalize() self.weights = self._calculate_weights(normalized) weighted = self._apply_weights(normalized) scores = self._calculate_scores(weighted) return self.data.assign(Score=scores).sort_values('Score', ascending=False) # 其他方法实现...

常见报错处理：

• NaN值问题：检查数据中是否存在缺失值，用data.isnull().sum()排查
• 除零错误：在标准化时添加极小值1e-6避免
• 权重异常：当某指标值完全相同时，熵权法会失效，需手动调整

对于动态评估场景，可以扩展为随时间变化的滑动窗口分析。某次供应链优化项目中，我们按月滚动计算供应商得分，最终发现了三家表现稳定的优质供应商，采购成本降低了18%。