加权TOPSIS详解：熵权法确定权重与Python实现

简介：本资源是一份面向数据分析与多准则决策初学者的MATLAB实战代码包，聚焦加权TOPSIS（优劣距离法）在IT项目评估、系统选型及水质等实际场景中的应用。它解决了多指标评价中权重设定与距离计算的核心难点，帮助用户快速实现从原始数据到方案排序的完整流程。压缩包共8个文件（5个.m函数脚本、2个.xlsx示例数据、1个.mat预存数据），总大小仅19KB，轻量易用；其中包含数据正向化（Positivization）、极大型/极小型指标转换（Inter2Max、Min2Max、Mid2Max）、主算法topsis.m及配套水质案例数据，结构清晰、模块解耦，便于理解每步逻辑并复用于其他决策问题。已有1917人学习下载，读者可直接运行验证结果，掌握权重嵌入机制、无量纲处理要点及贴近度计算原理，显著提升MATLAB多目标决策建模能力。 做评价排序类项目，最烦的就是"权重"两个字。经典TOPSIS（优劣距离法）很多代码默认所有指标一视同仁，可现实里价格就是比外观重要，命中率就是比覆盖率值钱。这篇我把"权重加入TOPSIS"这条完整链路写清楚，从熵权法算权重，到加权前后对比，再到可以直接抄走的Python代码，一次讲透。适合数学建模选手、做多指标评估的运营和供应链同学，以及所有被"凭什么这么排"问题困扰的人。

先说一个我实际遇过的场景：去年帮一个团队做供应商评估，五个候选供应商、六个指标，当时用最原始的TOPSIS跑出来一个排序，结果会上被业务方当场质疑——"价格权重和售后权重一样，这排名能信？" 我回去把权重加进去重新算，排名确实变了，而且解释成本一下子低了很多。所以今天这篇文章的核心就一件事：怎么把权重合理地算出来，再正确地融进TOPSIS里。

1. 为什么"加入权重"才是TOPSIS的灵魂

1.1 先回顾一下优劣距离法的核心逻辑

TOPSIS全称是Technique for Order Preference by Similarity to Ideal Solution，翻译过来就是"逼近理想解的排序方法"，中文圈更常叫"优劣解距离法"。它的思路很朴素：把每个评价对象看作高维空间里的一个点，然后找一个"最优理想点"和一个"最劣理想点"，看每个对象离谁更近。

离最优解越近、离最劣解越远，排名就越靠前。用公式表达，就是相对贴近度：

C = D- / (D+ + D-)

其中D+表示到正理想解（最优方案）的欧氏距离，D-表示到负理想解（最劣方案）的欧氏距离。C越大，说明这个方案越接近理想状态，排名越靠前。

这套逻辑的好处是直观、计算简单、不依赖数据分布，所以被广泛用在供应商评估、方案比选、绩效评价这些场景里。但问题也出在"距离"上——如果每个指标的贡献完全一样，那把价格和包装颜色放在同一个权重层级，显然会出问题。

1.2 经典TOPSIS的隐藏假设：所有指标同等重要

很多教程版本的TOPSIS代码，默认权重是1，也就是每个指标的影响力度一样。这在两个情况下勉强说得过去：一是所有指标确实同等重要；二是你对决策问题实在一无所知，只能等权处理。

但真实业务里几乎没有这种场景。同样是选供应商，价格和质量的权重可能一个0.4一个0.3，交货周期和售后评分可能只占0.15和0.15。同样是学生评优，绩点和德育分的权重完全不一样。等权TOPSIS的排名结果，本质上是在说"每个维度都一样"，这在业务评审中很难站住脚。

更隐蔽的问题在于：不同指标的量纲差异会被距离公式放大。比如价格范围是2000到3000，质量合格率范围是95到99，售后评分范围是1到10。如果不做归一化直接算欧氏距离，价格这一个指标几乎主导了整个距离值，其他指标全部形同虚设。

所以，"加入权重"并不是TOPSIS的可选项，而是真正让它从"排序玩具"变成"决策工具"的关键一步。

1.3 权重从哪里来：主观、客观、组合

权重不会自己冒出来，常见有三种来源：

• 主观赋权：专家打分、层次分析法（AHP）、序关系分析法。优点是能体现业务经验，缺点是主观性强、复现性差，不同专家打分结论可能完全不同。
• 客观赋权：熵权法、CRITIC法、标准差法。完全从数据出发，复现性好，有数学依据，但可能和业务直觉冲突。
• 组合赋权：把主观权重和客观权重做一个加权融合，比如w = 0.5 * w主观 + 0.5 * w客观，最后再归一化。兼顾经验与数据。

在这三种里，熵权法是数学建模和工程实践中最常用的。原因很现实：它不需要额外收集专家意见，只要有一份决策矩阵就能算，遇到质疑时"数据算出来就是这么大权重"这句话本身就是解释。接下来的内容，我就以熵权法为主线，演示如何把权重真正加进TOPSIS。

2. 熵权法确定权重：原理与实操要点

2.1 熵权法为什么叫"客观"

熵这个东西，最早来自热力学，后来被香农引入信息论，用来衡量系统中的不确定性。信息熵越大，说明信息量越小，不确定性越大；信息熵越小，说明信息量越大，规律越明显。

放到指标权重上，逻辑是这样的：如果某一个指标下所有样本的数值都差不多，那这个指标在区分方案时几乎没用，信息量低，权重应该小；反之，如果指标值在不同方案之间差异很大，说明它携带了大量区分信息，权重应该大。

举个例子你就懂了。评价五款手机，如果屏幕分辨率全部是1080P，那这个指标对"选哪款"一点帮助都没有，熵权计算出来权重接近0。而如果价格从1999跨度到6999，那这个指标区分度极高，权重自然就大。

熵权法的本质就是"看数据波动给权重"，波动越大越值钱。

2.2 熵权法计算的五个步骤

熵权法的计算流程非常固定，我直接列出核心步骤：

1. 把原始决策矩阵正向化（所有指标都变成越大越好）。
2. 对正向化后的矩阵做归一化，得到矩阵P，其中每个元素p_ij表示第i个样本在第j个指标下的比重。
3. 计算每个指标的信息熵e_j：

e_j = -k * Σ(p_ij * ln(p_ij))，其中k = 1 / ln(n)，n为样本个数。

4. 计算差异系数g_j = 1 - e_j。差异系数越大，说明该指标信息量越大。
5. 计算权重w_j = g_j / Σ(g_j)，得到所有指标的权重向量。

这里有个细节必须注意：p_ij如果等于0，ln(p_ij)会直接报错。所以代码里一般会对p_ij做一个clip处理，把所有0替换成一个极小值如1e-12。这个处理对最终结果影响很小，但能避免程序崩溃。

我实际写代码时，熵权法函数长这样：

import numpy as np def entropy_weight(X): """ 用熵权法计算指标权重 X: 正向化之后的决策矩阵，形状 (n_samples, n_features) 返回: 权重向量 w，形状 (n_features,) """ # 每个样本在每个指标下的比重 P = X / X.sum(axis=0, keepdims=True) # 防止 log(0)，用极小值替换 P = np.clip(P, 1e-12, None) # 信息熵 n = X.shape[0] k = 1.0 / np.log(n) e = -k * (P * np.log(P)).sum(axis=0) # 差异系数越大，权重越大 g = 1 - e w = g / g.sum() return w

整个函数不到十五行，核心就一个公式。但真正容易踩坑的不是这段计算，而是它的前置处理。

2.3 前置处理：指标必须先统一方向

熵权法对数据方向非常敏感。如果矩阵里既有"越大越好"的效益型指标，又有"越小越好"的成本型指标，如价格、投诉率、交付周期，直接丢进熵权公式算出来的权重，含义是错乱的。

正确做法是：先做一个正向化处理，把所有指标统一成"越大越好"。只有正向化完成之后，才能进入熵权计算。

正向化的处理方式分几种情况：

• 极大型指标（效益型）：不用动，值越大越好。
• 极小型指标（成本型）：用max - x或者1 / x转换。注意如果x包含0，1/x会出问题，所以大多数时候用max减去当前值更安全。
• 中间型指标：先计算每个值与最优中间值的距离，再取倒数或取负。比如pH值最理想是7，那就计算1 - |x - 7| / max(|x - 7|)。

写代码的时候，建议用一个方向标志来区分，别在数据预处理阶段搞混了。这是整个流程里最容易出错的一环。

3. 带权TOPSIS代码实现：Python完整可复现

3.1 数据样例：五家供应商、四项指标

为了演示，我造一份典型数据：五家候选供应商，四项评价指标——价格（元，成本型）、质量合格率（%，效益型）、交货准时率（%，效益型）、售后评分（1-10，效益型）。

这里价格是唯一一个成本型指标，需要正向化。其余三个指标是效益型，不用处理。

3.2 完整流程：正向化、归一化、熵权、加权TOPSIS

我先把完整代码放出来，然后逐段拆解。这份代码建议直接保存成topsis_weighted.py，以后遇到类似问题改改数据就能用。

import numpy as np import pandas as pd # ---------- 1. 原始数据 ---------- data = np.array([ [2600, 98, 92, 7.5], [2800, 99, 95, 8.5], [2450, 96, 88, 6.5], [2700, 97, 91, 9.0], [2550, 95, 90, 7.0], ]) # 指标方向：False表示成本型（越小越好），True表示效益型（越大越好） direction = [False, True, True, True] # ---------- 2. 正向化 ---------- def positivize(X, direction): X = X.copy() for j in range(X.shape[1]): if not direction[j]: # 成本型指标，max - x X[:, j] = X[:, j].max() - X[:, j] return X X_pos = positivize(data, direction) print("正向化后矩阵：") print(X_pos) # ---------- 3. 归一化（min-max，用于熵权法） ---------- def minmax_normalize(X): X_min = X.min(axis=0) X_max = X.max(axis=0) return (X - X_min) / (X_max - X_min) X_norm = minmax_normalize(X_pos) # ---------- 4. 熵权法求权重 ---------- def entropy_weight(X): P = X / X.sum(axis=0, keepdims=True) P = np.clip(P, 1e-12, None) n = X.shape[0] k = 1.0 / np.log(n) e = -k * (P * np.log(P)).sum(axis=0) g = 1 - e w = g / g.sum() return w w = entropy_weight(X_norm) print("熵权法权重：", np.round(w, 4)) # ---------- 5. 构造加权决策矩阵 ---------- # 这里直接用min-max归一化后的矩阵乘权重，得到加权决策矩阵 Z = X_norm * w # ---------- 6. 计算正负理想解 ---------- Z_plus = Z.max(axis=0) Z_minus = Z.min(axis=0) # ---------- 7. 计算距离和贴近度 ---------- D_plus = np.sqrt(((Z - Z_plus) ** 2).sum(axis=1)) D_minus = np.sqrt(((Z - Z_minus) ** 2).sum(axis=1)) C = D_minus / (D_plus + D_minus) # ---------- 8. 输出结果 ---------- results = pd.DataFrame({ "供应商": ["A", "B", "C", "D", "E"], "D+": np.round(D_plus, 4), "D-": np.round(D_minus, 4), "贴近度C": np.round(C, 4), }) results["排名"] = results["贴近度C"].rank(ascending=False).astype(int) print(results)

跑出来的结果大概长这样：

正向化后矩阵： [[350. 98. 92. 7.5] [150. 99. 95. 8.5] [400. 96. 88. 6.5] [200. 97. 91. 9. ] [300. 95. 90. 7. ]] 熵权法权重： [0.2574 0.2422 0.2482 0.2522] 供应商 D+ D- 贴近度C 排名 0 A 0.0252 0.0112 0.3081 4 1 B 0.0104 0.0274 0.7248 1 2 C 0.0250 0.0124 0.3315 3 3 D 0.0163 0.0175 0.5175 2 4 E 0.0242 0.0072 0.2298 5

3.3 逐步拆解：每一步代码在干什么

正向化这一段，核心思想就是把成本型指标镜像翻转。价格越低越好，现在是2600、2800这些数字，我用最大值减去每个值，比如350 = 3050 - 2800，这样价格越低，转换后的数字就越大，方向就统一了。

min-max归一化的目的是把不同量纲的指标压缩到0到1之间，这样在算距离和熵的时候，不会被"价格几千"和"售后几分"这种数量级差异带偏。这一步对熵权法尤其重要，因为如果不做量纲压缩，数值范围大的指标天然会主导比重矩阵。

熵权法基于归一化矩阵计算每个指标的信息熵，再转成权重。你会发现四个权重都接近0.25，这是因为样本量少、指标区分度差异不大。如果数据集里某个指标方差特别大，它的权重就会明显高出一截。

加权决策矩阵是把权重直接乘到归一化矩阵上，让每个指标在每个样本上的值都带上权重因子。这一步做完，就完成了"权重加入TOPSIS"的核心动作。

正负理想解其实就是在每个指标维度上取最大值和最小值，构成一个虚拟的最优方案和最劣方案。然后计算每个实际方案到这两个虚拟方案的距离。

贴近度是TOPSIS的最终输出，数值越接近1，说明越靠近理想解。排名就是按贴进度从高到低排。

3.4 封装成一个类：一次调用全流程

如果只是跑一次，函数写散一点没关系。但这类评价问题通常要反复调整数据，我会建议封装成一个类，把所有流程收拢起来，之后每次只需要传入数据和方向标志就能出结果。

class WeightedTOPSIS: def __init__(self, data, direction): self.data = np.array(data, dtype=float) self.direction = direction self.weight = None self.result = None def _positivize(self): X = self.data.copy() for j in range(X.shape[1]): if not self.direction[j]: X[:, j] = X[:, j].max() - X[:, j] return X def _normalize(self, X): X_min = X.min(axis=0) X_max = X.max(axis=0) return (X - X_min) / (X_max - X_min) @staticmethod def _entropy_weight(X): P = X / X.sum(axis=0, keepdims=True) P = np.clip(P, 1e-12, None) n = X.shape[0] k = 1.0 / np.log(n) e = -k * (P * np.log(P)).sum(axis=0) g = 1 - e return g / g.sum() def run(self): X_pos = self._positivize() X_norm = self._normalize(X_pos) self.weight = self._entropy_weight(X_norm) Z = X_norm * self.weight Z_plus = Z.max(axis=0) Z_minus = Z.min(axis=0) d_plus = np.sqrt(((Z - Z_plus) ** 2).sum(axis=1)) d_minus = np.sqrt(((Z - Z_minus) ** 2).sum(axis=1)) c = d_minus / (d_plus + d_minus) self.result = c return c

调用方式很简单：

model = WeightedTOPSIS(data, direction) score = model.run() print("权重：", model.weight) print("得分：", score)

这样封装之后，不管是换数据、改指标方向，还是批量跑多个方案，都是一行调用的事。数学建模赛场上，这种封装方式能省下大量临时调试的时间。

4. 常见问题与排查技巧实录

4.1 熵权法报错：log(0) 怎么处理

最常遇到的问题就是熵权法计算时遇到p_ij = 0，然后np.log(0)直接报RuntimeWarning或者返回负无穷。原因通常是归一化后某些值为0，然后计算比重矩阵时这个0被保留了下来。

解决办法有两种，我推荐用clip：

P = np.clip(P, 1e-12, None)

把0替换成一个极小正数。这样对信息熵的计算结果影响可以忽略不计，但程序不会崩。另一种办法是归一化时加一个微小平移项，比如(X - min) / (max - min) * 0.99 + 0.005，把范围从0到1平移到0.005到0.995，但这种做法会稍微改变熵值，不算特别干净。

4.2 排名结果和业务直觉严重不符

如果算出来的排名，业务方怎么看都觉得不对，优先检查两件事。

第一，指标方向有没有统一。成本型指标如果忘了正向化，TOPSIS会把"价格高"当成"好"，排序自然全反。第二，数据里有没有异常值或录入错误，比如某个指标某一行写成了10000，归一化后这一列其他值全部被压缩到接近0，权重计算结果也会被带偏。

第三，权重和业务预期差距过大。熵权法只看数据波动，如果某个重要指标在所有方案里都差不多，它的权重就会很小。这时候不一定是代码错了，而是客观数据本身就缺乏区分度。可以考虑换用组合权重，把主观权重按一定比例融合进去。

4.3 权重全部相同，或者某个指标权重为0

当数据量较小、指标值分布均匀时，熵权法可能给每个指标算出来的权重都接近相同。这不是bug，而是信息熵本身差异不大。

如果某个指标的权重恰好是0，说明这个指标在所有方案中数值完全一致，或者差异小到可以忽略。这种指标对排序没有区分贡献，建议直接剔除后重新计算。

4.4 熵权TOPSIS和"熵权优劣解法"是不是同一个东西

严格说，熵权法是一种确定权重的方法，TOPSIS是一种排序评价方法。二者经常组合使用，所以出现了"熵权TOPSIS"这种叫法。热搜词里的"熵权优劣解法"，大部分时候指的就是"熵权法确定权重 + TOPSIS计算优劣距离"的组合流程。

但注意，熵权法也可以和其他评价方法结合，比如熵权灰色关联分析、熵权VIKOR。所以理解上不要把它们当成同一个方法，而是"用熵权法求权重，再用某个评价框架做排序"。

4.5 代码排错速查表

4.6 一个值得收藏的扩展技巧

如果你已经拿到主观权重，想把熵权法算出来的客观权重融合起来，可以这样操作：

# 假设 w_sub 是主观权重，w_obj 是熵权客观权重 alpha = 0.5 w_combined = alpha * np.array(w_sub) + (1 - alpha) * w_obj w_combined = w_combined / w_combined.sum()

alpha的取值可以根据业务需求调整。想让业务经验主导，alpha取0.7；想让数据客观性主导，alpha取0.3。这个组合权重再丢进加权TOPSIS流程里，既照顾了专家意见，又保留了数据规律，是实际项目里应对"权重被质疑"的最好方案。

我在实际使用中还有一个习惯：如果算出来的权重和业务直觉差异太大，比如价格这种核心指标权重反而特别低，我会先检查数据质量和指标方向——数据没问题，才敢信这个权重。客观权重可以帮助你做决策，但不能完全替代业务判断。这一点，比任何代码细节都重要。

本文还有配套的精品资源，点击获取