基本完成需要完成的任务，该系统可用于世界各地的许多国家，它还强调了利用宏观经济学研究粮食系统公平性和可持续性的意义。这些数据在大多数国家都很常见。如上所述，我们可以到达通过调整生产要素或政府政策进行优化。

提供了一种简化但仍然定量的方法来衡量权益通过收集一个国家内不同人群的数据来计算差异，我们成功地衡量了粮食系统内部的公平水平，并进行了比较静态分析。

---

---

但是也存在明显缺点，特别是对于运输方面，我们采用的ISM解释结构模型仅仅能够定性地分析主要影响原因而不能定量分析，而且由于数据的缺乏，仅仅对部分地区较为准确，整个模型比较粗糙。

• 权重：表示给定因素应被考虑的程度（默认所有因素权重为 1）。例如，若希望 RAM 的权重高于其他因素，可以将 RAM 的权重设为 2，其他因素设为 1。
• 影响：指给定因素具有正面或负面的影响。例如，希望电池容量尽可能大，而手机价格尽可能低，所以给电池分配“+”权重，给价格分配“-”权重。

此方法可用于根据各种因素（如相关性、决定系数 $R^2$、准确率、均方根误差等）对机器学习模型进行排名。现在我们已经了解了 TOPSIS 是什么以及可以在哪里应用它。下面来看在给定的由多行（如不同的手机）和多列（如各种因素）组成的数据集上实施 TOPSIS 的步骤。

数据集示例：

给定数据集中特定因素的值被视为标准单位。始终对任何非数字数据类型进行标签编码。

步骤：

步骤 1：计算归一化矩阵和加权归一化矩阵。通过以下方式对每个值进行归一化，其中 $m$ 是数据集中的行数，$n$ 是列数。$i$ 沿行变化，$j$ 沿列变化。

对于上述给定的值，归一化矩阵将是：

然后，将每列中的每个值与相应的给定权重相乘。

def Normaze(dataset, nCol, weights):    for i in range(1, nCol):        temp = 0        for j in range(len(dataset)):            temp = temp + dataset.iloc[j, i]**2        temp = temp**0.5        for j in range(len(dataset)):            dataset.iat[j, i] = (dataset.iloc[j, i] / temp)*weights[i-1]    print(dataset)

步骤 2：计算理想最优解和理想最劣解以及每行与理想最劣解和理想最优解的欧氏距离。首先，确定理想最优解和理想最劣解：这里需要考虑影响，即它是“+”影响还是“-”影响。如果是“+”影响，那么某一列的理想最优解是该列的最大值，理想最劣解是该列的最小值，反之对于“-”影响则相反。

现在需要计算所有行中的元素与理想最优解和理想最劣解的欧氏距离。这里 $diw$ 是第 $i$ 行的最劣距离计算值，其中 $ti,j$ 是元素值，$tw,j$ 是该列的理想最劣解。类似地，可以找到 $dib$，即第 $i$ 行的最佳距离计算值。

现在，数据集将包含正距离和负距离，如下所示：

步骤 3：计算 TOPSIS 得分并进行排名。现在我们有了距离正和距离负，让我们根据它们为每行计算 TOPSIS 得分。

TOPSIS 得分 = $diw$ / ($dib$ + $diw$) 对于每一行

现在根据 TOPSIS 得分进行排名，即得分越高，排名越好。

我们的数据集将如下进行排名：

基于熵权法的情报学期刊指标权重计算|附数据代码

本文旨在通过熵权法对情报学期刊的各项指标进行权重计算，以评估不同指标在期刊评价中的重要性。通过对数据的处理和分析，得到了期刊学术质量、期刊影响力和期刊显示度等一级指标的权重。

一、引言

在情报学领域，对期刊的评价是一个重要的研究课题。准确评估期刊的质量和影响力对于学术研究和信息传播具有重要意义。本文采用熵权法对情报学期刊的各项指标进行权重计算，为期刊评价提供一种科学的方法。

二、数据准备

首先，使用pandas库读取情报学期刊数据文件情报学期刊.xlsx。

import pandas as pd# 加载Excel文件file_path = '/mnt/data/核心期刊数据.xlsx'df = pd.read_excel(file_path)# 显示数据的前几行以了解其结构df.head()import matplotlib.pyplot as pltimport seaborn as sns# 设置中文字体，以便在图表中显示中文plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False# 创建一个画布，包含多个子图fig, axes = plt.subplots(nrows=3, ncols=2, figsize=(15, 15))# 1. 条形图：展示各期刊的“出版文献量”sns.barplot(x='出版文献量', y='期刊名', data=df, ax=axes[0, 0])axes[0, 0].set_title('各期刊的出版文献量')# 2. 饼图：展示不同“基金论文比”的分布df['基金论文比分类'] = pd.cut(df['基金论文比'], bins=[0, 0.3, 0.6, 1], labels=['低', '中', '高'])fund_paper_ratio_distribution = df['基金论文比分类'].value_counts()axes[0, 1].pie(fund_paper_ratio_distribution, labels=fund_paper_ratio_distribution.index, autopct='%1.1f%%')axes[0, 1].set_title('基金论文比分布')# 3. 折线图：展示“综合影响因子”和“复合影响因子”的关系sns.lineplot(x='综合影响因子', y='复合影响因子', data=df, marker='o', ax=axes[1, 0])axes[1, 0].set_title('综合影响因子与复合影响因子的关系')# 4. 箱线图：展示“篇均被引”的分布情况sns.boxplot(x=df['篇均被引'], ax=axes[1, 1])axes[1, 1].set_title('篇均被引的分布情况')# 5. 散点图：展示“出版文献量”与“总被引频次”的关系sns.scatterplot(x='出版文献量', y='总被引频次', data=df, ax=axes[2, 0])axes[2, 0].set_title('出版文献量与总被引频次的关系')# 调整布局plt.tight_layout()plt.show()

三、指标处理

1. 获取正向指标列表：# 在没有去掉网络指标的前提下 zhengxiang = data_qingbaoxue.columns.values.tolist() del zhengxiang[0:2] del zhengxiang[1] zhengxiang # 获得正向指标的列表
2. 获取负向指标列表：index = data_qingbaoxue.columns.values.tolist() del index[0:2] fuxiang = [‘零引论文率’] # 获得负向指标列表 journal_name = data_qingbaoxue[‘图书馆学、情报学类期刊18’] # 包含了所有需要测量的期刊 indexs = data_qingbaoxue[index] # 包含了需要测量的指标的所有数据
3. 进行数据归一化等操作：em = EntropyMethod(indexs, fuxiang, zhengxiang, journal_name) em.uniform() # 归一化后的数据em.calc_probability() em.calc_entropy() em.calc_entropy_redundancy() # 尝试计算信息效用值em.calc_Weight() # 计算得单项指标最终权重weight = em.calc_Weight().tolist() yijizhibiao = [] yijizhibiao.append(sum(weight[0:5])) # 按照分类将单项指标权重相加得一级指标权重 yijizhibiao.append(sum(weight[5:10])) yijizhibiao.append(sum(weight[10:])) yijizhibiao = pd.Series(yijizhibiao, index=[‘期刊学术质量’, ‘期刊影响力’, ‘期刊显示度’], name=’一级指标权重’) yijizhibiao # 计算一级指标权重
4. 去除网络指标后再次计算：# 在删除网络指标的前提下 zhengxiang.pop() zhengxiang.pop() # 删除位于尾部的两个网络指标 positive = zhengxiangnegative = fuxiang index.pop() index.pop() # 同样是删除位于尾部的两个网络指标 indexs = data_qingbaoxue[index] em = EntropyMethod(indexs, positive, negative, journal_name)em.uniform()em.calc_probability() em.calc_entropy() em.calc_entropy_redundancy() # 尝试计算信息效用值em.calc_Weight() # 计算得单项指标最终权重weight = em.calc_Weight().tolist() yijizhibiao = [] yijizhibiao.append(sum(weight[0:5])) yijizhibiao.append(sum(weight[5:10])) yijizhibiao.append(sum(weight[10:])) yijizhibiao = pd.Series(yijizhibiao, index=[‘期刊学术质量’, ‘期刊影响力’, ‘期刊显示度’], name=’一级指标权重’) yijizhibiao # 计算一级指标权重

四、结论

通过熵权法对情报学期刊数据进行处理和分析，成功计算出了不同指标下期刊学术质量、期刊影响力和期刊显示度等一级指标的权重，为情报学期刊的评价提供了一种有效的方法。

 

---

关于分析师

在此对 Sikun Chen 对本文所作的贡献表示诚挚感谢，他在复旦大学完成了数学与应用数学专业的学业，专注数理金融、数据采集等领域。擅长 Matlab。