当前位置：首页 > news >正文

Python实现TOPSIS多指标决策分析：从原理到实战应用

news 2026/8/27 4:12:50

1. 项目缘起：从“拍脑袋”决策到量化评估

在项目评审、产品选型、人才评估这些日常工作中，我们经常会遇到一个头疼的问题：面对一堆各有优劣的选项，到底该选哪个？比如，要从三个供应商里选一个，A价格最低但交货慢，B质量最好但价格最高，C各方面都还行但没什么亮点。这时候，很多团队的做法是开会讨论，最后往往变成“我觉得A好”、“我支持B”的“拍脑袋”式决策，缺乏一个客观、统一的衡量标尺。

TOPSIS分析法，就是为了解决这个痛点而生的。它的全称是“逼近理想解排序法”，听起来有点学术，但核心思想非常直观：在一堆选项里，最好的那个应该离“理想中最好的情况”最近，同时离“理想中最差的情况”最远。这个“理想中最好的情况”，就是所有选项在每个评价指标上能达到的最优值集合；反之，“理想中最差的情况”就是所有最差值的集合。TOPSIS通过计算每个选项与这两个“理想点”的距离，来给所有选项排个名次，距离“最好”越近、距离“最差”越远的，综合得分就越高。

以前，这类多指标决策分析往往依赖SPSS、MATLAB等专业软件，或者Excel手动计算，过程繁琐且容易出错。现在，用Python来实现TOPSIS，事情就变得简单多了。利用NumPy、Pandas这些库，我们可以轻松处理数据矩阵、进行向量运算，把复杂的数学过程封装成几行清晰的代码。这不仅让分析过程可重复、可审计，更重要的是，它把决策从“感觉”层面拉回到了“数据”层面，为团队提供了一个透明、一致的决策依据。接下来，我就结合一个实际的供应商选择案例，手把手带你用Python走通TOPSIS的全流程，并分享几个我踩过坑才总结出来的关键细节。

2. TOPSIS的核心原理与数学拆解

要真正用好一个工具，不能只停留在调用API的层面，理解其背后的数学逻辑至关重要。这能帮助我们在数据异常、结果存疑时，有能力进行排查和调整。TOPSIS的整个过程可以分解为几个清晰的数学步骤。

2.1 构建决策矩阵与指标同趋化

首先，我们把待评价的m个方案（比如3个供应商）和n个评价指标（比如价格、交货期、质量合格率）整理成一个m行×n列的矩阵，这就是决策矩阵。假设我们有3个供应商（S1, S2, S3），评估4个指标：价格（万元，成本型，越低越好）、交货期（天，成本型，越短越好）、质量合格率（%，效益型，越高越好）、售后服务评分（1-10分，效益型，越高越好）。

原始数据可能如下：

供应商	价格（万元）	交货期（天）	质量合格率（%）	售后服务评分
S1	120	15	95	8
S2	100	20	98	9
S3	150	10	92	7

这里第一个关键点就出现了：指标的同趋化。我们的指标有“成本型”（越小越好）和“效益型”（越大越好）两种。TOPSIS计算距离要求所有指标方向一致，通常都转化为“效益型”（越大越好）。所以，对于成本型指标（价格、交货期），我们需要进行转化。最常见的方法是取倒数或做差值，但取倒数在数值为0时会出问题。更稳健的方法是使用“向量归一化”过程中的一种变形，或者先进行“极差变换”。我推荐使用极差变换，因为它能保持数据分布特性且不受零值影响。

对于成本型指标，极差变换公式为：X' = (max - X) / (max - min)。经过变换后，所有指标都变成了效益型，且数值范围在[0, 1]之间。这是后续计算的基础。

2.2 权重确定：从主观赋权到客观熵权

指标权重是TOPSIS的灵魂，权重分配不同，结果可能大相径庭。确定权重主要有两大类方法：

主观赋权法：如层次分析法（AHP）、德尔菲法。依赖专家经验，适合指标含义明确、但数据难以直接反映重要性的场景。比如“售后服务评分”，其重要性可能来自战略考量而非历史数据。
客观赋权法：如熵权法。完全由数据本身驱动，通过计算指标的信息熵来确定权重。某个指标的数据差异越大（即熵越小），说明该指标在区分各方案时提供的信息量越多，其权重就应该越大。

在实际项目中，我通常采用主客观结合法。先用AHP确定一个基础权重框架，体现业务逻辑；再用熵权法对数据进行计算，得到一个客观权重；最后对两者进行加权综合（如各占50%）。这样既能尊重业务经验，又能响应数据事实，避免了纯主观的武断和纯客观的“数据偏见”。后文在代码实现部分，我会演示如何集成熵权法来计算客观权重。

2.3 距离计算与贴近度排序

数据同趋化并赋予权重后，我们得到一个加权的规范化决策矩阵。接着，找出每个指标在所有方案中的最大值和最小值，分别构成“正理想解”（Z+）和“负理想解”（Z-）。

然后计算每个方案到Z+和Z-的欧氏距离（D+和D-）。最后，计算每个方案的相对贴近度（C）：C = D- / (D+ + D-)。

这个C值就是我们的最终得分，范围在0到1之间。C值越大，说明该方案越接近正理想解，同时越远离负理想解，综合表现就越好。所有方案按C值从大到小排序，就得到了优劣顺序。

理解了这个流程，我们就能明白，TOPSIS的结果严重依赖于原始数据的准确性、指标同趋化的方法以及权重的设定。任何一个环节处理不当，都可能让结果“失之毫厘，谬以千里”。

3. Python实战：一步步实现TOPSIS评价

理论说得再多，不如一行代码。我们直接进入实战环节，用Python把上面的供应商选择案例完整实现一遍。我会使用numpy和pandas这两个核心库，它们几乎是数据科学领域的标配。

3.1 环境准备与数据加载

首先，确保你的Python环境已经安装了必要的库。如果还没有，在终端或命令提示符中执行以下命令：

pip install numpy pandas

接下来，我们开始编写代码。第一步，导入库并加载数据。

import numpy as np import pandas as pd # 定义原始数据 data = { '供应商': ['S1', 'S2', 'S3'], '价格（万元）': [120, 100, 150], '交货期（天）': [15, 20, 10], '质量合格率（%）': [95, 98, 92], '售后服务评分': [8, 9, 7] } # 创建DataFrame df_original = pd.DataFrame(data) print("原始数据：") print(df_original) print("\n") # 提取数值矩阵，忽略‘供应商’列 matrix = df_original.iloc[:, 1:].values print("决策矩阵（数值部分）：") print(matrix)

3.2 数据预处理：同趋化与归一化

这里我们采用“极差变换法”进行同趋化，并同时完成归一化（将数据缩放到[0,1]区间）。注意，我们需要指明每一列是成本型还是效益型。

def normalize_matrix(matrix, indicators_type): """ 对决策矩阵进行同趋化和归一化（极差变换法）。 matrix: 原始决策矩阵，二维numpy数组。 indicators_type: 列表，每个元素为1（效益型）或-1（成本型）。 返回：规范化后的矩阵。 """ norm_matrix = np.zeros_like(matrix, dtype=float) n_cols = matrix.shape[1] for i in range(n_cols): col = matrix[:, i] max_val, min_val = col.max(), col.min() # 避免除零错误 if max_val == min_val: norm_matrix[:, i] = 1 else: if indicators_type[i] == 1: # 效益型 norm_matrix[:, i] = (col - min_val) / (max_val - min_val) else: # 成本型 norm_matrix[:, i] = (max_val - col) / (max_val - min_val) return norm_matrix # 定义指标类型：价格（成本型-），交货期（成本型-），质量合格率（效益型+），售后服务评分（效益型+） indicators_type = [-1, -1, 1, 1] norm_matrix = normalize_matrix(matrix, indicators_type) print("同趋化 & 归一化后的矩阵：") print(norm_matrix)

运行后，你会发现原来价格150最差，现在变成了0；价格100最好，变成了1。交货期、合格率等也做了相应转换，所有数值都在0到1之间，且都是越大越好。

3.3 集成熵权法计算客观权重

为了更客观，我们接着用熵权法计算权重。熵权法的步骤是：1)计算每个指标下各方案的比重；2)计算该指标的信息熵；3)计算信息效用值（1-熵）；4)将效用值归一化得到权重。

def calculate_entropy_weight(norm_matrix): """ 基于归一化后的矩阵计算熵权。 norm_matrix: 同趋化且归一化后的决策矩阵。 返回：权重向量（numpy数组）。 """ m, n = norm_matrix.shape # 计算比重矩阵 p = norm_matrix / norm_matrix.sum(axis=0, keepdims=True) # 避免log(0)错误，将0替换为一个极小值 p = np.where(p == 0, 1e-10, p) # 计算信息熵 k = 1 / np.log(m) e = -k * (p * np.log(p)).sum(axis=0) # 计算信息效用值 d = 1 - e # 计算权重 w = d / d.sum() return w # 计算熵权 entropy_weights = calculate_entropy_weight(norm_matrix) print("熵权法计算的权重：") for i, (col_name, weight) in enumerate(zip(df_original.columns[1:], entropy_weights)): print(f"{col_name}: {weight:.4f}")

在我的这次运行中，得到的权重可能类似于：[0.25, 0.30, 0.28, 0.17]。这反映了数据本身的区分度。你可以将这个客观权重与业务方讨论确定的主观权重进行综合。

3.4 计算加权矩阵与理想解

假设我们这里直接使用熵权作为最终权重，计算加权规范化矩阵。

# 使用熵权作为权重 weights = entropy_weights print(f"\n最终使用的权重向量：{weights}") # 计算加权规范化矩阵 weighted_norm_matrix = norm_matrix * weights print("\n加权规范化矩阵：") print(weighted_norm_matrix) # 确定正理想解（Z+）和负理想解（Z-） # 由于所有指标都已转为效益型，正理想解就是每列最大值，负理想解就是每列最小值。 z_positive = weighted_norm_matrix.max(axis=0) z_negative = weighted_norm_matrix.min(axis=0) print(f"\n正理想解 Z+：{z_positive}") print(f"负理想解 Z-：{z_negative}")

3.5 计算距离与相对贴近度

最后，计算每个方案到Z+和Z-的欧氏距离，并得出最终的贴近度C值。

# 计算每个方案到Z+和Z-的欧氏距离 # axis=1表示对每一行进行计算 d_positive = np.sqrt(((weighted_norm_matrix - z_positive) ** 2).sum(axis=1)) d_negative = np.sqrt(((weighted_norm_matrix - z_negative) ** 2).sum(axis=1)) print("\n各方案到正理想解的距离 D+：", d_positive) print("各方案到负理想解的距离 D-：", d_negative) # 计算相对贴近度 C c = d_negative / (d_positive + d_negative) print("\n各方案相对贴近度 C：", c) # 将结果添加到原始DataFrame中 df_result = df_original.copy() df_result['D+'] = d_positive df_result['D-'] = d_negative df_result['C'] = c df_result['排名'] = df_result['C'].rank(ascending=False, method='min').astype(int) print("\n最终评价结果：") print(df_result.sort_values(by='排名'))

运行全部代码，你会得到一个包含距离、贴近度和排名的完整结果表。在我的案例数据下，结果很可能是S2排名第一（价格和售后服务有优势，质量最好），S1次之，S3最后。这个量化的结果，就可以作为决策会议上有力的数据支撑了。

4. 关键细节、常见陷阱与优化策略

代码跑通只是第一步，要让TOPSIS在实际项目中真正发挥作用，还需要注意以下几个我踩过坑的细节。

4.1 指标类型与同趋化方法的选择

“成本型转效益型”不是只有极差变换一种方法。除了之前提到的倒数法，还有(max - X)这种简单差值法。每种方法都有其适用场景和缺陷：

极差变换：最常用，能保留数据相对关系，且结果固定在[0,1]，推荐优先使用。
倒数法：X' = 1/X。适用于绝对数值型指标，且所有值必须为正数。若原始值接近0，会导致变换后值极大，扭曲权重分配。
简单差值法：X' = max - X。计算简单，但变换后的数据范围取决于原始数据的极差，可能与其他效益型指标量纲不统一，影响后续加权。

注意：务必在分析报告中对采用的同趋化方法进行说明，这是保证结果可复现、可审计的重要一环。

4.2 权重敏感性与结果稳健性检验

TOPSIS的结果对权重非常敏感。一个重要的实践是进行敏感性分析。具体做法是：轻微调整某个关键指标的权重（比如±10%），观察排名顺序是否发生变化。如果微调权重就导致排名翻转，说明这个决策本身在数据上就不够稳健，需要谨慎对待，或者回头重新审视指标体系的合理性。我们可以写一个简单的循环来模拟这个过程：

def sensitivity_analysis(base_weights, norm_matrix, change_index, change_range=0.1, steps=5): """ 对指定指标的权重进行敏感性分析。 base_weights: 基础权重向量。 change_index: 要调整的权重索引。 change_range: 调整范围（如0.1表示±10%）。 steps: 调整步数。 """ original_c = calculate_topsis(norm_matrix, base_weights)[1] # 假设calculate_topsis是封装好的计算函数，返回C值 original_rank = pd.Series(original_c).rank(ascending=False).values print(f"对指标 {df_original.columns[1:][change_index]} 进行权重敏感性分析 (±{change_range*100:.0f}%)") print("-" * 50) for delta in np.linspace(-change_range, change_range, steps*2+1): new_weights = base_weights.copy() # 调整指定指标的权重 new_weights[change_index] = base_weights[change_index] * (1 + delta) # 重新归一化，使权重总和为1 new_weights = new_weights / new_weights.sum() new_c = calculate_topsis(norm_matrix, new_weights)[1] new_rank = pd.Series(new_c).rank(ascending=False).values rank_change = any(original_rank != new_rank) print(f"权重调整 {delta:+.2%}: 新权重={new_weights[change_index]:.4f}, 排名变化: {rank_change}") if rank_change: print(f" 原始排名: {original_rank.astype(int)}") print(f" 新排名: {new_rank.astype(int)}")

4.3 数据标准化（归一化）的误区

我们前面做的“极差变换”已经包含了归一化。但有时人们会混淆“向量归一化”（即每列元素除以该列的模长）和“极差归一化”。TOPSIS的原始论文使用的是向量归一化。这两种方法的主要区别是：

向量归一化：Zij = Xij / sqrt(∑(Xij^2))。这种方法会改变数据之间的比例关系，更侧重于消除量纲。
极差归一化：Zij = (Xij - min) / (max - min)。这种方法保留数据在[0,1]内的相对分布。

在大多数实际应用中，极差归一化因其直观和稳定而更受欢迎。但如果你需要严格遵循经典TOPSIS公式，或者与某些学术研究对标，则应使用向量归一化。关键是要在整个分析过程中保持一致，并在报告中明确说明。

4.4 处理缺失值与异常值

现实数据很少是完美的。如果某个方案的某个指标数据缺失怎么办？粗暴地删除整个方案或填0都会引入偏差。常见的处理策略有：

均值/中位数填充：用该指标在其他方案上的均值或中位数填充。适用于数据随机缺失的情况。
基于模型预测填充：如果指标间存在相关性，可以用回归等模型预测缺失值。
视为最差值：对于效益型指标，将缺失值赋为该指标的最小值（或一个极小的数）；对于成本型指标，则赋为最大值。这是一种保守策略，会降低该方案在该指标上的得分。

异常值（比如价格数据中混入了一个错误的小数点）会极大影响最大值、最小值和归一化结果。在计算前，必须进行数据清洗，使用箱线图或3σ原则识别并处理异常值。

5. 从脚本到工具：封装、可视化与报告生成

当我们需要频繁使用TOPSIS进行类似的分析时，将上述代码封装成一个可复用的类或函数模块是很有必要的。这不仅能提高效率，也减少了每次复制粘贴可能带来的错误。

5.1 封装成Python类

下面是一个简单的TOPSIS分析器的类封装示例：

class TopsisAnalyzer: def __init__(self, data_df, benefit_columns=None, cost_columns=None, weights=None): """ 初始化分析器。 data_df: 包含方案名和指标列的DataFrame。 benefit_columns: 效益型指标列名列表。 cost_columns: 成本型指标列名列表。 weights: 权重列表或数组，若为None则使用熵权法计算。 """ self.df = data_df.copy() self.方案名 = data_df.iloc[:, 0].values if data_df.columns[0] == '方案' else data_df.iloc[:, 0].values # 假设第一列是方案名 self.matrix = data_df.iloc[:, 1:].values self.column_names = data_df.columns[1:].tolist() # 构建指标类型列表 self.indicator_types = [] for col in self.column_names: if benefit_columns and col in benefit_columns: self.indicator_types.append(1) # 效益型 elif cost_columns and col in cost_columns: self.indicator_types.append(-1) # 成本型 else: raise ValueError(f"列 '{col}' 未在 benefit_columns 或 cost_columns 中指定类型。") self.weights = weights def run(self): """执行完整的TOPSIS分析流程。""" # 1. 数据预处理 self.norm_matrix = self._normalize() # 2. 确定权重 if self.weights is None: self.weights = self._calculate_entropy_weight(self.norm_matrix) # 3. 计算加权矩阵和理想解 self.weighted_matrix = self.norm_matrix * self.weights self.z_pos = self.weighted_matrix.max(axis=0) self.z_neg = self.weighted_matrix.min(axis=0) # 4. 计算距离和贴近度 self.d_pos = np.sqrt(((self.weighted_matrix - self.z_pos) ** 2).sum(axis=1)) self.d_neg = np.sqrt(((self.weighted_matrix - self.z_neg) ** 2).sum(axis=1)) self.c = self.d_neg / (self.d_pos + self.d_neg) # 5. 整理结果 self.result_df = pd.DataFrame({ '方案': self.方案名, 'D+': self.d_pos, 'D-': self.d_neg, '综合得分C': self.c, '排名': pd.Series(self.c).rank(ascending=False, method='min').astype(int) }).sort_values(by='排名') return self.result_df def _normalize(self): # ... (同之前的normalize_matrix函数，略) pass def _calculate_entropy_weight(self, norm_matrix): # ... (同之前的calculate_entropy_weight函数，略) pass def plot_scores(self): """可视化综合得分。""" import matplotlib.pyplot as plt plt.figure(figsize=(10, 6)) plt.barh(self.result_df['方案'][::-1], self.result_df['综合得分C'][::-1], color='skyblue') plt.xlabel('综合得分 (C)') plt.title('TOPSIS综合评价结果') plt.xlim(0, 1) for i, v in enumerate(self.result_df['综合得分C'][::-1]): plt.text(v + 0.01, i, f'{v:.3f}', va='center') plt.tight_layout() plt.show()

使用这个类，分析过程变得非常简洁：

# 使用示例 analyzer = TopsisAnalyzer( data_df=df_original.rename(columns={'供应商':'方案'}), benefit_columns=['质量合格率（%）', '售后服务评分'], cost_columns=['价格（万元）', '交货期（天）'] ) result = analyzer.run() print(result) analyzer.plot_scores()

5.2 结果可视化与报告解读

“一张图胜过千言万语”。除了用plot_scores生成柱状图，我们还可以用雷达图来直观展示每个方案在各个指标上的表现（使用加权前的规范化数据），这有助于理解为什么某个方案得分高或低。

def plot_radar_chart(analyzer): import matplotlib.pyplot as plt import numpy as np labels = np.array(analyzer.column_names) norms = analyzer.norm_matrix # 使用规范化后的数据 n_vars = len(labels) angles = np.linspace(0, 2 * np.pi, n_vars, endpoint=False).tolist() angles += angles[:1] # 闭合图形 fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(projection='polar')) for idx, scheme_name in enumerate(analyzer.方案名): values = norms[idx].tolist() values += values[:1] ax.plot(angles, values, 'o-', linewidth=2, label=f'{scheme_name} (C={analyzer.c[idx]:.3f})') ax.fill(angles, values, alpha=0.1) ax.set_xticks(angles[:-1]) ax.set_xticklabels(labels) ax.set_ylim(0, 1) ax.set_title('各方案指标表现雷达图 (规范化后)', size=15, y=1.1) ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0)) plt.tight_layout() plt.show() plot_radar_chart(analyzer)

在向业务方汇报时，不能只扔出一个排名。报告应至少包含：