熵权法

熵权法（Entropy Weight Method, EWM）是数学建模竞赛中最常用的客观赋权方法：它不依赖专家打分，仅凭"数据本身携带的信息量"给每个指标分配权重——哪个指标在不同评价对象之间差异大、能提供更多区分信息，哪个指标的权重就大。熵权法常与 TOPSIS、灰色关联等评价模型联用（熵权-TOPSIS 是竞赛高频组合），也是与 AHP 做组合赋权的标准配件。本文从原理、适用场景、算法指标、可视化到可运行代码，完整梳理熵权法的竞赛实战用法。

一、算法含义

1.1 通俗理解：从"信息量"说起

信息论创始人香农（Shannon）提出：一条消息所携带的信息量，与它的"意外程度"成正比。越容易猜到的事，说出来信息量越小：

• 天气预报说"明天要么下雨、要么不下雨，各 50%"——这几乎等于没说，信息量几乎为零；
• 天气预报说"明天晴（概率 99%）"——不确定性被大幅消除，信息量大。

香农用信息熵 $H$ 度量这种"不确定性 / 混乱程度"：

$H = -\sum_{i=1}^{n} p_i \ln p_i$

其中 $p_i$ 是第 $i$ 种结果出现的概率。熵有三个关键性质：

1. $H \geq 0$，当所有概率集中在一种结果上（某个 $p_k = 1$，其余为 0）时 $H = 0$——"完全确定"的消息熵为零，信息量最大；
2. 当 $n$ 种结果等概率（$p_i = 1/n$）时，$H = \ln n$ 达到最大——这是"最混乱、最没信息"的状态；
3. 概率分布越均匀 → 熵越大 → 信息量越小；分布越集中 → 熵越小 → 信息量越大。即：信息量越大，熵越小。

把这套思想搬到评价问题上：把每个指标在各评价对象上的取值占比 $p_{ij}$ 看成"概率"。如果一个指标在所有评价对象上取值几乎相同（如五个城市的空气优良天数都是 300 天左右），它的信息熵就很大——该指标几乎不能帮我们区分谁好谁坏，信息量小，权重就应该小；反之，取值差异悬殊的指标熵小、信息量大、权重就大。

1.2 熵权法的五步流程

设评价问题有 $n$ 个评价对象、$m$ 个指标，原始数据矩阵为 $X = (x_{ij})_{n \times m}$。熵权法分五步：

第①步：数据标准化（含非负平移处理）

先按指标方向做极差标准化（min-max），把所有指标压到 $[0,1]$：

• 正向指标（越大越好）：$x'_{ij} = \dfrac{x_{ij} - \min_i x_{ij}}{\max_i x_{ij} - \min_i x_{ij}}$
• 负向指标（越小越好）：$x'_{ij} = \dfrac{\max_i x_{ij} - x_{ij}}{\max_i x_{ij} - \min_i x_{ij}}$

由于 $\ln$ 在 0 处无定义，再做非负平移：$x''_{ij} = x'_{ij} + \varepsilon$（$\varepsilon$ 取 $10^{-6}$ 量级即可）。若采用 Z-score 等其他标准化方式产生了负值（如"利润增长率"这类指标），必须先把整列平移到正数域，即负值平移处理：$x'' = x' - \min(x') + \varepsilon$。

第②步：计算比重矩阵

$p_{ij} = \dfrac{x_{ij}}{\sum_{i=1}^{n} x_{ij}}$

（这里的 $x_{ij}$ 指第①步平移后的标准化值 $x''_{ij}$；若原始数据已全部为正且不做标准化，也可直接对原始数据计算比重。）第 $j$ 个指标下所有对象的比重之和为 1，构成一个"概率分布"。

第③步：计算各指标的信息熵

$e_j = -k \sum_{i=1}^{n} p_{ij} \ln p_{ij}, \qquad k = \frac{1}{\ln n}$

其中 $k = 1/\ln n$ 是归一化常数：$n$ 个对象时熵的理论最大值是 $\ln n$，除以它保证 $e_j \in [0,1]$。

第④步：计算差异系数（信息效用值）

$d_j = 1 - e_j$

$d_j$ 是 $e_j$ 的"反义词"：该指标携带了多少有效的区分信息。

第⑤步：归一化得到权重

$w_j = \frac{d_j}{\sum_{j=1}^{m} d_j}$

权重之和为 1。最终的综合得分可由 $S_i = \sum_{j=1}^{m} w_j x''_{ij}$ 加权得到。

1.3 为什么"指标差异越大权重越大"——直觉解释

用数学验证一下极端情况：若第 $j$ 个指标在所有对象上取值完全相同（$x_{1j} = x_{2j} = \dots = x_{nj} = c$），标准化后大家仍相等，比重 $p_{ij} = 1/n$（等概率分布）。代入熵公式：

$e_j = -\frac{1}{\ln n} \sum_{i=1}^{n} \frac{1}{n} \ln\frac{1}{n} = -\frac{1}{\ln n} \cdot \left(-\ln n\right) = 1$

于是 $d_j = 0$，$w_j = 0$：完全没有区分力的指标权重为零。反过来，指标取值差异越大，比重分布越集中（少数对象"占大头"），熵 $e_j$ 越小，$d_j$ 和 $w_j$ 就越大。

直观地说：熵权法就像在问每个指标——"你在一群候选者里，能不能帮我们分出高下？"能分出高下的（数据差异大的），发言权（权重）就大；分不出高下的，就少说话。

1.4 客观赋权 vs 主观赋权（与 AHP 对比）

对比维度	熵权法（客观赋权）	AHP（主观赋权）
权重来源	数据本身的信息量（变异程度）	专家两两比较打分（1-9 标度）
是否需要专家	不需要	需要，且要通过一致性检验（$CR < 0.1$）
核心优点	完全客观、可复现、无主观偏差	符合业务认知，可融入政策偏好
核心缺点	可能违背业务常识（见 1.5）	主观性强，不同专家结果不同
竞赛用法	输出"客观权重"，或与 AHP 组合	输出"主观权重"，或与熵权组合

1.5 优缺点

优点：

• 完全客观：只认数据，计算过程无任何人为打分，评审不易质疑；
• 计算简单：五个公式即可手推，代码不超过 40 行，无迭代、无优化器；
• 可复现：同样的数据必然给出同样的权重，不依赖随机性；
• 对数据分布没有假设：不要求正态性、线性等条件，几乎任何数值型矩阵都能算；
• 天然度量"区分度"：权重即"该指标能提供多少区分信息"，与评价的初衷一致。

缺点：

• 只看差异、不看业务：业务上很重要的指标，如果所有对象取值相近，熵权法会给它很低的权重——数据上"没差异"不等于业务上"不重要"，这是熵权法最大的争议点；
• 权重随样本而变：增删一个评价对象，全部权重重新洗牌，权重不稳定；
• 不反映指标间相关性：两个高度相关的指标会被重复计权（改进见第八节 CRITIC 法）；
• 对标准化方式敏感：min-max、Z-score、比重法等不同预处理会得到不同权重，论文中须写明所用方式；
• 指标方向必须人为指定：正向/负向判断本身带一点主观成分，方向标反结论完全颠倒。

二、何时使用（适用场景与条件）

2.1 适用场景

1. 评价体系的权重建构：多指标综合评价的第一步永远是"定权重"，熵权法给出一个客观、可复现的权重初值。如"城市高质量发展评价""企业信用评价""供应商选择""校园网评优"等；
2. 客观权重确定：论文中需要一套"不用解释为什么"的权重时，熵权法是标准答案——"权重由数据信息量客观确定"这句话本身就很有说服力；
3. 与 AHP 组合赋权：按 $w = \alpha w_{AHP} + (1-\alpha) w_{熵}$ 合成，既尊重数据又尊重业务经验，是评价类题目最稳妥的定权方案；
4. 作为 TOPSIS、灰色关联、模糊综合评价的输入：这些模型都要求先有指标权重，熵权法是最常用的"标准配件"。

2.2 竞赛典型题目

• 评价类题目（高频）：如"对 $N$ 个城市 / 企业的 $M$ 个方面进行综合评价并排名"，权重部分直接套熵权法——先熵权定权，再 TOPSIS 排序；
• 指标筛选题：熵权接近 0 的指标区分度不足，可作为"删减指标"的数据依据；
• 组合模型的权重环节：任何需要"综合得分"的模型（灰色关联度、模糊评价、VIKOR……）都可以把熵权结果作为权重输入；
• 权重敏感性分析：对比"熵权权重"与"主观权重"下的评价排名差异，本身就是论文的一个小节。

2.3 使用前提（建模前检查清单）

1. 有完整的原始数据矩阵 $X_{n \times m}$：无缺失（少量缺失可先插值/均值填补）；
2. 指标是数值型（分类指标需先量化）；
3. 能明确每个指标的方向（正向 / 负向）；
4. 评价对象数 $n$ 不宜太小（一般建议 $n \geq 5$，$n \geq m$ 更稳，否则权重随机性大）；
5. 同一指标下所有对象口径一致（如 GDP 都按亿元、同一统计年份）。

2.4 不适用 / 慎用的情形

1. 数据缺失多：熵权法建立在完整比重矩阵上，缺失值过多时填补误差会直接污染权重；
2. 指标业务重要性明显与数据变异矛盾：如"人均 GDP"业务上极其重要，但样本里各城市差异不大，熵权法会压低其权重——此时应改用组合赋权或主观赋权；
3. 评价对象极少（如只有 3 个城市）：$\ln n$ 归一化后权重随机性大，结论不稳；
4. 指标间强相关：如"GDP"与"财政收入"高度相关，熵权法会同时给两者较高权重，造成信息重复计入；
5. 需要权重长期稳定的场合（如年度考核指标体系）：样本一变权重就变，不适合作为固定标准。

2.5 与 AHP / TOPSIS 的组合（熵权-TOPSIS 是竞赛高频组合！）

• 熵权-TOPSIS：熵权法管"权重"，TOPSIS 管"排序"——用熵权对标准化矩阵加权得到 $v_{ij} = w_j x'_{ij}$，再计算各对象与正理想解 $V^+$、负理想解 $V^-$ 的欧氏距离，按贴近度 $C_i = \dfrac{D_i^-}{D_i^+ + D_i^-}$ 排序。两个模型分工明确、衔接自然，是评价类题目的竞赛第一高频组合；
• AHP-熵权组合赋权：主观（专家经验）与客观（数据信息）按比例合成 $w = \alpha w_{AHP} + (1-\alpha) w_{熵}$，$\alpha$ 通常取 0.5（各占一半），具体取值由问题背景决定，见第六节代码与第七节解读；
• 进阶还有博弈论组合赋权（使组合权重与各单一权重的偏差极小化）、离差最大化组合赋权等，可作为第八节的延伸方向。

三、算法指标

3.1 标准化后矩阵 $x'_{ij}$（中间量，需提及）

$x'_{ij} = \frac{x_{ij} - \min_i x_{ij}}{\max_i x_{ij} - \min_i x_{ij}}\ (\text{正向}) \qquad x'_{ij} = \frac{\max_i x_{ij} - x_{ij}}{\max_i x_{ij} - \min_i x_{ij}}\ (\text{负向})$

• 中文名：标准化值（极差标准化 / min-max 标准化）
• 含义：把每个指标统一压到 $[0,1]$，消除量纲影响；负向指标被"逆向化"（越小越好的指标变成越大越好），使所有指标方向一致。
• 解读：某城市标准化值为 1 表示它在所有城市中该指标最优；0 表示最差。标准化后需做非负平移（$+\varepsilon$），为熵计算铺路。

3.2 比重矩阵 $p_{ij}$（中间量）

$p_{ij} = \frac{x''_{ij}}{\sum_{i=1}^{n} x''_{ij}}$

• 中文名：比重（特征比重、概率）
• 含义：第 $i$ 个对象在第 $j$ 个指标上的取值占全体对象的份额，每列之和为 1，可看作一个概率分布。
• 解读：比重分布越均匀 → 该指标越"没有区分度"；越集中 → 差异越大。

3.3 信息熵 $e_j$（核心指标）

$e_j = -k \sum_{i=1}^{n} p_{ij} \ln p_{ij}, \qquad k = \frac{1}{\ln n}$

• 中文名：信息熵（第 $j$ 个指标的信息熵）
• 含义：该指标取值分布的"混乱程度"。除以 $k = 1/\ln n$ 保证 $e_j \in [0,1]$。
• 解读：$e_j$ 越小 → 分布越集中 → 差异越大 → 信息量越大 → 权重应越大。

3.4 差异系数 $d_j$（信息效用值）

$d_j = 1 - e_j$

• 中文名：差异系数，又称信息效用值、信息冗余度——"信息效用"是 $d_j$ 的另一种常见说法
• 含义：$e_j$ 的"反义词"：该指标携带了多少有效的区分信息。
• 解读：$d_j$ 越大说明指标区分度越强；$d_j = 0$（即 $e_j = 1$）说明所有对象取值完全相同，指标毫无区分力。

3.5 权重 $w_j$（最终输出）

$w_j = \frac{d_j}{\sum_{j=1}^{m} d_j}$

• 中文名：熵权（指标 $j$ 的客观权重）
• 含义：把差异系数归一化，$\sum_j w_j = 1$。
• 解读：$w_j$ 是最终用于加权求综合得分的系数，例如综合得分 $S_i = \sum_j w_j x''_{ij}$。

3.6 指标汇总表

指标	中文名	公式	取值范围	解读要点
$x'_{ij}$	标准化后矩阵	极差标准化（分正/负向）	$[0,1]$	统一量纲、统一方向
$p_{ij}$	比重矩阵	$p_{ij} = \dfrac{x''_{ij}}{\sum_i x''_{ij}}$	$[0,1]$，列和为 1	越均匀区分度越差
$e_j$	信息熵	$-k\sum_i p_{ij}\ln p_{ij}$，$k = 1/\ln n$	$[0,1]$	越小信息量越大
$d_j$	差异系数（信息效用值）	$1 - e_j$	$[0,1]$	越大区分度越强
$w_j$	权重（熵权）	$d_j / \sum_j d_j$	$[0,1]$，和为 1	最终加权系数

四、可视化图表

4.1 四张图速查表

图名	用途	关键解读点
① 各指标信息熵条形图	展示每个指标的"混乱程度"，判断哪些指标差异大	熵小（如房价 0.5744）→ 信息量大 → 权重大；熵接近 1 → 指标几乎无区分力
② 各指标权重柱状图（主结论图）	直接给出最终权重，论文正文必备	标注数值；对比 $1/m$ 平均线：高于平均线的指标"更有话语权"
③ 差异系数与权重双轴对比图	同图展示 $d_j$ 与 $w_j$ 两套量纲	两条序列形状完全相同（$w_j = d_j/\sum d_j$），仅差一个常数倍，双轴只是方便读出两种数值
④ 组合赋权对比图（AHP vs 熵权 vs 组合）	展示主观、客观、组合三套权重的差异	组合权重介于两者之间；主客观分歧大的指标值得在论文中讨论

4.2 "好图"与"异常图"的特征

好图：

• 数值标注完整（权重图每个柱子上方标数）；
• 四张图指标顺序一致、同一指标同色，便于对照阅读；
• 有参考线（如权重图上的 $1/m$ 平均线）；
• 图题直接给出结论（如"房价权重最大，说明房价数据差异显著"）。

异常图（出现时先查数据）：

• 所有指标权重几乎相等 → 各指标变异程度都差不多，或标准化方式有问题；
• 某一指标权重为 0 → 该指标所有对象取值完全相同（或标准化出错，如整列为常数导致极差为 0、除零）；
• 权重图与业务常识严重相反（如"GDP 权重垫底"）→ 考虑组合赋权；
• 四张图中同一指标颜色 / 顺序不统一 → 评审阅读困难，务必统一。

五、符号说明

符号	含义	示例/单位
$n$	评价对象个数	$n = 5$（5 个城市）
$m$	指标个数	$m = 6$
$X$	原始数据矩阵（$n \times m$）	城市 × 指标
$x_{ij}$	第 $i$ 个对象第 $j$ 个指标的原始值	北京 GDP = 40269 亿元
$x'_{ij}$	极差标准化后的值	$[0,1]$，无量纲
$\varepsilon$	非负平移量	$10^{-6}$
$x''_{ij}$	平移后的标准化值	$x'' = x' + \varepsilon$
$p_{ij}$	比重（概率）	列和为 1，无量纲
$k$	熵的归一化常数	$1/\ln n$，$n=5$ 时 $k \approx 0.621$
$e_j$	第 $j$ 个指标的信息熵	$[0,1]$，越小越好
$d_j$	差异系数（信息效用值）	$1 - e_j$，$[0,1]$
$w_j$	第 $j$ 个指标的熵权	和为 1，无量纲
$w_{AHP}$	AHP 主观权重	和为 1
$\alpha$	组合赋权中主观权重的占比	0.5 表示各占一半
$w_{组合}$	组合权重	$\alpha w_{AHP} + (1-\alpha) w_{熵}$

六、可运行程序（完整代码）

环境要求：Python 3.12，只依赖 numpy、pandas、matplotlib（pip install numpy pandas matplotlib）。以下所有代码块按顺序拼接保存为 ew_demo.py，在本文档所在目录运行即可：控制台打印全部指标，并在 figures/ 子目录生成 4 张图。熵权法核心公式全部手写实现，不调用任何现成熵权库。无图形界面的环境可用 MPLBACKEND=Agg python ew_demo.py 跳过弹窗、只保存图片。

# -*- coding: utf-8 -*-
"""
============================================================
熵权法完整示例：手写实现（不调用任何现成熵权库）
------------------------------------------------------------
数据（合成）：5 个城市 × 6 个指标（GDP、人均收入、空气优良天数、
             绿化率、高校数、房价），演示"城市综合发展评价"定权。
             其中空气优良天数、绿化率人为设计成"各城市差不多"
             （变异小 → 熵大 → 权重小），房价、高校数差异悬殊
             （变异大 → 熵小 → 权重大），直观演示熵权逻辑。
输出：控制台打印标准化矩阵、比重矩阵、信息熵/差异系数/权重表、
      AHP-熵权组合赋权对比表；figures/ 目录下生成 4 张图。
依赖：numpy、pandas、matplotlib（Python 3.12）
============================================================
"""

# ========== 0. 导入库与全局设置 ==========
import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# ---- matplotlib 中文显示设置（防止图内中文乱码）----
plt.rcParams["font.sans-serif"] = ["PingFang SC", "Arial Unicode MS", "SimHei"]
plt.rcParams["axes.unicode_minus"] = False   # 让负号"-"正常显示

# ---- 图片输出目录（相对当前工作目录的 figures/ 子目录）----
FIG_DIR = "figures"
os.makedirs(FIG_DIR, exist_ok=True)

# ---- 全文档统一配色：同一指标在不同图中同色，便于对照阅读 ----
C_ENTROPY = "#2a78d6"   # 信息熵 e_j（图 1）
C_DIFF    = "#1baf7a"   # 差异系数 d_j（图 3）
C_WEIGHT  = "#eb6834"   # 熵权权重 w_j（图 2 / 图 3 / 图 4）
C_AHP     = "#4a3aa7"   # AHP 主观权重（图 4）
C_COMB    = "#1baf7a"   # 组合权重（图 4，与 d_j 不同图出现，共用色系）

# ========== 1. 构造数据：5 个城市 × 6 个指标（竞赛经典"城市综合发展评价"） ==========
# 数值为手工构造的合成数据（仅用于演示算法流程，非真实统计值）。
# 特意设计了两组对比：
#   * 空气优良天数、绿化率：五个城市"差不多"（变异小）
#     → 信息熵大 → 权重小，演示"区分度不足的指标应得小权重"；
#   * 高校数、房价：城市间差异悬殊 → 信息熵小 → 权重大。
cities = ["北京", "上海", "广州", "深圳", "成都"]
indicators = ["GDP(亿元)", "人均收入(元)", "空气优良天数(天)",
              "绿化率(%)", "高校数(所)", "房价(元/m2)"]

X = np.array([
    [40269, 79000, 296, 41.5, 92, 68000],   # 北京
    [44652, 79500, 305, 43.6, 85, 71000],   # 上海
    [28839, 60000, 306, 43.9, 88, 35000],   # 广州
    [30664, 55000, 307, 44.1,  9, 73000],   # 深圳
    [20817, 40000, 308, 44.3, 12, 18000],   # 成都
], dtype=float)

# 指标方向：1 = 正向（越大越好），-1 = 负向（越小越好，如房价）
direction = np.array([1, 1, 1, 1, 1, -1])

print("==================== 原始数据矩阵 X（5 个城市 × 6 个指标） ====================")
print(pd.DataFrame(X, index=cities, columns=indicators))

# ========== 2. 第①步：数据标准化（极差法，区分正/负向指标）+ 非负平移 ==========
n, m = X.shape                       # n = 5 个评价对象，m = 6 个指标
Z = np.zeros_like(X)                 # 标准化后的矩阵（n × m）

for j in range(m):
    xj = X[:, j]
    x_min, x_max = xj.min(), xj.max()
    if direction[j] > 0:
        # 正向指标（越大越好）：按"距最小值的位置"缩放
        Z[:, j] = (xj - x_min) / (x_max - x_min)
    else:
        # 负向指标（越小越好）：先用最大值减去原值做"逆向化"，再缩放
        Z[:, j] = (x_max - xj) / (x_max - x_min)

# ---- 非负平移 ----
# 极差标准化结果落在 [0,1]，最小值恰好为 0，而 ln 在 0 处无定义。
# 处理办法一（数学约定）：规定 0·ln0 = 0（第 3 步用 np.where 兜底）；
# 处理办法二（更稳妥）：整体加一个很小的正数平移，让所有值严格大于 0。
# 若采用 Z-score 等其他标准化（可能产生负值，如"利润增长率"这类指标），
# 必须先做"负值平移处理"：x'' = x' - min(x') + 1e-6，把整列抬升到正数域。
EPS = 1e-6
Z = Z + EPS

print("\n==================== 标准化后矩阵 Z（已做非负平移 +1e-6） ====================")
print(pd.DataFrame(np.round(Z, 4), index=cities, columns=indicators))

# ========== 3. 第②步：比重矩阵 p_ij = x_ij / Σ_i x_ij ==========
# 对每个指标单独归一化：比重 p_ij 可理解为"第 i 个城市在第 j 个指标上
# 占全体城市的份额"，每列之和恰好为 1，构成一个"概率分布"。
P = Z / Z.sum(axis=0)                # 比重矩阵 (n × m)，每列和为 1

# ---- 0·ln0 = 0 的数值处理 ----
# 数学上约定 0·ln0 = 0（x → 0+ 时 x·ln x → 0，洛必达法则可证）。
# 虽然第 2 步已做 +1e-6 平移、本例不会出现 p = 0；但换用其他数据或
# 标准化方式时仍可能出现 p = 0，这里用 np.where 兜底：
# p > 0 的项正常算 p·ln(p)，p = 0 的项直接贡献 0，绝不会触发 ln(0) 报错。
P_ln_P = np.where(P > 0, P * np.log(P), 0.0)

print("\n==================== 比重矩阵 P（每列之和 = 1） ====================")
print(pd.DataFrame(np.round(P, 4), index=cities, columns=indicators))

# ========== 4. 第③④⑤步：信息熵 → 差异系数 → 权重 ==========
k = 1.0 / np.log(n)                 # ③ 归一化常数：n 个对象时熵的最大值是 ln(n)，
                                    #    除以它使 e_j 落在 [0,1]
e = -k * P_ln_P.sum(axis=0)         # ③ 信息熵 e_j：越小说明数据差异越大、信息量越大
d = 1.0 - e                         # ④ 差异系数（信息效用值）d_j = 1 - e_j
w = d / d.sum()                     # ⑤ 权重 w_j = d_j / Σ d_j（权重之和 = 1）

res = pd.DataFrame({
    "信息熵 e_j": np.round(e, 4),
    "差异系数 d_j(信息效用)": np.round(d, 4),
    "权重 w_j": np.round(w, 4),
}, index=indicators)

print("\n==================== 熵权法计算结果（核心指标表） ====================")
print("信息熵 e_j 越小 → 数据差异越大 → 信息量越大 → 权重越大")
print(res)
print(f"\n差异系数之和 Σ d_j = {d.sum():.4f}，权重之和 Σ w_j = {w.sum():.4f}（校验应=1）")

# 按权重从大到小给指标排序（论文中常用的展示方式）
order = np.argsort(-w)
print("指标按权重从大到小排序：")
for rank, j in enumerate(order, start=1):
    print(f"  第{rank}名：{indicators[j]}（w = {w[j]:.4f}）")

# ========== 5. 组合赋权：AHP 主观权重 + 熵权客观权重按 α 合成 ==========
# 熵权法只看数据差异，可能与业务认知冲突（例如本例中"房价"权重最大，
# 但业务上通常认为 GDP、人均收入才是城市发展的核心指标）。
# 竞赛常用做法：将 AHP（层次分析法，专家打分）主观权重与熵权客观权重
# 按比例合成，公式：w = α·w_AHP + (1-α)·w_熵权
# α ∈ [0,1] 表示主观权重的占比，α = 0.5 表示主客观各占一半。
w_ahp = np.array([0.25, 0.25, 0.10, 0.08, 0.12, 0.20])  # 专家给出的主观权重（和为 1）
alpha = 0.5                                             # 组合系数：主客观各占 50%
w_comb = alpha * w_ahp + (1 - alpha) * w                # 组合权重

cmp = pd.DataFrame({
    "AHP主观权重": w_ahp,
    "熵权客观权重": np.round(w, 4),
    f"组合权重(α={alpha})": np.round(w_comb, 4),
}, index=indicators)

print("\n==================== 组合赋权对比表（α = 0.5） ====================")
print(cmp)
print(f"组合权重之和 = {w_comb.sum():.4f}（校验应=1）")

# ========== 6. 图 1：各指标信息熵条形图（熵小 → 信息量大 → 权重大） ==========
x_pos = np.arange(m)
fig, ax = plt.subplots(figsize=(9, 4.8))
ax.bar(x_pos, e, width=0.6, color=C_ENTROPY, edgecolor="white", label="信息熵 e_j")
ax.set_xticks(x_pos)
ax.set_xticklabels(indicators)
ax.set_ylabel("信息熵 e_j")
ax.set_ylim(0, 1.15)
ax.set_xlim(-0.5, 7.8)
ax.set_title("各指标信息熵 e_j（越小说明数据差异越大、信息量越大）")
ax.grid(axis="y", linestyle="--", alpha=0.35)
for xi, ei in zip(x_pos, e):                      # 每个柱子上方标注熵值
    ax.text(xi, ei + 0.02, f"{ei:.4f}", ha="center", va="bottom", fontsize=9)
# 两处关键标注：熵大（区分度不足）与熵小（信息量大）
ax.annotate("空气/绿化：熵大 → 各城市差不多 → 区分度不足",
            xy=(2.5, 0.86), xytext=(0.7, 1.06), fontsize=9,
            arrowprops=dict(arrowstyle="->", color="0.4"))
ax.annotate("房价：熵最小 → 信息量最大 → 权重应最大",
            xy=(5.0, e[5]), xytext=(5.6, 0.45), fontsize=9,
            arrowprops=dict(arrowstyle="->", color="0.4"))
plt.tight_layout()
plt.savefig(os.path.join(FIG_DIR, "ew_entropy_bar.png"), dpi=200)

# ========== 7. 图 2：各指标权重柱状图（标注数值，主结论图） ==========
fig, ax = plt.subplots(figsize=(9, 4.8))
ax.bar(x_pos, w, width=0.6, color=C_WEIGHT, edgecolor="white", label="权重 w_j")
ax.axhline(1.0 / m, color="0.5", linestyle="--", linewidth=1.2,
           label=f"平均权重 1/m = {1/m:.3f}（无信息时的权重）")
ax.set_xticks(x_pos)
ax.set_xticklabels(indicators)
ax.set_ylabel("权重 w_j")
ax.set_ylim(0, w.max() * 1.3)
ax.set_title("熵权法确定的各指标权重（权重越大，指标区分度越强）")
ax.legend(loc="upper right")
ax.grid(axis="y", linestyle="--", alpha=0.35)
for xi, wi in zip(x_pos, w):                      # 每个柱子上方标注权重数值
    ax.text(xi, wi + 0.008, f"{wi:.4f}", ha="center", va="bottom",
            fontsize=10, fontweight="bold")
plt.tight_layout()
plt.savefig(os.path.join(FIG_DIR, "ew_weights_bar.png"), dpi=200)

# ========== 8. 图 3：差异系数与权重双轴对比图 ==========
# 注意 w_j = d_j / Σ d_j，两条序列形状完全相同（只差一个常数倍数），
# 双轴只是为了在同一张图上读出两种量纲：左轴差异系数，右轴权重。
fig, ax1 = plt.subplots(figsize=(9, 4.8))
ax1.bar(x_pos, d, width=0.55, color=C_DIFF, edgecolor="white",
        label="差异系数 d_j（左轴）")
ax1.set_xticks(x_pos)
ax1.set_xticklabels(indicators)
ax1.set_ylabel("差异系数 d_j", color=C_DIFF)
ax1.set_ylim(0, d.max() * 1.25)
ax1.tick_params(axis="y", labelcolor=C_DIFF)

ax2 = ax1.twinx()                                  # 右轴：权重
ax2.plot(x_pos, w, color=C_WEIGHT, marker="o", markersize=7, linewidth=2,
         label="权重 w_j（右轴）")
ax2.set_ylabel("权重 w_j", color=C_WEIGHT)
ax2.set_ylim(0, w.max() * 1.1)                     # 让折线整体落在柱子上方，避免标注重叠
ax2.tick_params(axis="y", labelcolor=C_WEIGHT)

ax1.set_title("差异系数 d_j 与权重 w_j 双轴对比（w_j 与 d_j 成正比，仅量纲不同）")
h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left")
ax1.grid(axis="y", linestyle="--", alpha=0.35)
for xi, di in zip(x_pos, d):                      # 左轴：标注差异系数
    ax1.text(xi, di + 0.012, f"{di:.4f}", ha="center", va="bottom", fontsize=9)
for xi, wi in zip(x_pos, w):                      # 右轴：标注权重
    ax2.text(xi, wi + 0.006, f"{wi:.4f}", ha="center", va="bottom",
             fontsize=9, color=C_WEIGHT)
plt.tight_layout()
plt.savefig(os.path.join(FIG_DIR, "ew_compare.png"), dpi=200)

# ========== 9. 图 4：组合赋权对比图（AHP 主观 vs 熵权客观 vs 组合） ==========
fig, ax = plt.subplots(figsize=(9.5, 5))
width = 0.24                                       # 三组柱子并排，留出缝隙
ax.bar(x_pos - width, w_ahp, width, color=C_AHP, edgecolor="white",
       label="AHP 主观权重")
ax.bar(x_pos, w, width, color=C_WEIGHT, edgecolor="white",
       label="熵权客观权重")
ax.bar(x_pos + width, w_comb, width, color=C_COMB, edgecolor="white",
       label=f"组合权重 (α={alpha})")
ax.set_xticks(x_pos)
ax.set_xticklabels(indicators)
ax.set_ylabel("权重")
ax.set_ylim(0, max(w_ahp.max(), w.max(), w_comb.max()) * 1.25)
ax.set_title("AHP 主观权重、熵权客观权重与组合权重对比")
ax.legend(loc="upper right")
ax.grid(axis="y", linestyle="--", alpha=0.35)
for xi, wi in zip(x_pos, w_comb):                 # 只标注组合权重（最终结果）
    ax.text(xi + width, wi + 0.008, f"{wi:.4f}", ha="center", va="bottom", fontsize=9)
plt.tight_layout()
plt.savefig(os.path.join(FIG_DIR, "ew_ahp_compare.png"), dpi=200)

# ========== 10. 显示图形 ==========
# 在带图形界面的环境（本地 IDE / 终端）中会弹出 4 个窗口，关闭后脚本结束；
# 在服务器等无图形界面环境中 matplotlib 会自动跳过显示，仅保留 PNG 图片。
# 命令行批量运行可加环境变量 MPLBACKEND=Agg 直接跳过弹窗。
plt.show()
print("\n4 张图已保存至 figures/ 目录：")
print("  ew_entropy_bar.png / ew_weights_bar.png / ew_compare.png / ew_ahp_compare.png")

七、结果解读与注意事项

7.1 运行输出解读（以本例合成数据为例）

本例 5 个城市 × 6 个指标，程序输出如下（保留 4 位小数）：

指标	信息熵 $e_j$	差异系数 $d_j$	权重 $w_j$
GDP(亿元)	0.8028	0.1972	0.1430
人均收入(元)	0.8126	0.1874	0.1359
空气优良天数(天)	0.8578	0.1422	0.1031
绿化率(%)	0.8579	0.1421	0.1030
高校数(所)	0.7153	0.2847	0.2064
房价(元/m²)	0.5744	0.4256	0.3086

怎么读这张表：

1. 房价权重最大（0.3086）：五个城市房价从 1.8 万到 7.3 万/m²，差异悬殊（极差 5.5 万），标准化后比重高度集中在成都（占 55%），信息熵最小（0.5744）→ 信息量最大 → 权重最大。注意房价是负向指标：标准化时做了逆向化，房价越低的城市标准化值越高（越接近"好"的一端）。
2. 高校数权重次之（0.2064）：深圳 9 所与北京 92 所差异明显，该指标区分度强。
3. GDP（0.1430）、人均收入（0.1359）权重居中：城市间虽有差异，但按极差标准化后比重分布相对均衡。
4. 空气优良天数（0.1031）与绿化率（0.1030）权重最低：五个城市的优良天数都在 296~308 天、绿化率都在 41.5%~44.3%——空气质量指标各城市差异小 → 权重低，说明该指标区分度不足。注意：这并不意味着"空气不重要"，而是"在这五个城市里，该指标分不出高下"，对排名的贡献有限。这正是熵权法的特点，也是它的争议点。
5. 组合赋权（α = 0.5）：AHP 主观权重认为 GDP、人均收入最重要（各 0.25），与熵权"房价最重要"分歧明显；按 $w = 0.5w_{AHP} + 0.5w_{熵}$ 合成后：GDP 0.1965、人均收入 0.1930、空气优良天数 0.1015、绿化率 0.0915、高校数 0.1632、房价 0.2543——房价权重被拉回 0.25 附近，GDP/收入权重抬升，主客观观点得到折中。这正是"组合赋权"的价值：既不盲从数据，也不盲从专家。

7.2 常见坑与应对

1. 忘记非负平移导致 ln 报错：极差标准化必然产生 0，直接 np.log(0) 会得到 -inf（计算熵时出现 nan）。两种解法：整体平移 $+\varepsilon$；或按约定 $0\ln 0 = 0$ 用 np.where 兜底。本例两种都做了（双保险）。
2. 负值平移处理：原始数据或 Z-score 标准化出现负值时，必须先整体抬升：$x'' = x' - \min(x') + \varepsilon$，否则 $\ln$ 对负数报错。
3. 标准化方式不唯一：min-max 与 Z-score 得到的权重不同。竞赛中写明所用方式（"采用极差标准化"）并保持一致即可，切忌前文 min-max、后文 Z-score 混用。
4. 熵权为零时的权重重分配：若某指标 $e_j = 1$（所有对象取值完全相同）则 $w_j = 0$；若多个指标都如此，权重只在剩余指标间重新分配，此时应考虑删掉无区分度指标后重新计算，或改用组合赋权。
5. 指标方向标反：房价、碳排放等成本类指标必须设为负向，否则"越贵越好"的结论会完全颠倒。
6. 忘记除以 $\ln n$：不归一化不改变权重排序（$d_j$ 同时放大），但熵值会超出 $[0,1]$，论文里写"熵值介于 0 和 1 之间"会被评审质疑。

7.3 竞赛论文写作建议（话术模板）

采用熵权法客观确定各指标权重，计算结果见表 X：其中指标房价权重最大（0.3086），说明该指标数据差异显著、信息量大；空气优良天数（0.1031）与绿化率（0.1030）权重较小，说明这两个指标在各城市间差异不大、区分度不足。进一步，为兼顾业务经验，将熵权法客观权重与 AHP 主观权重按 0.5:0.5 进行组合赋权，得到综合权重：GDP 0.1965、人均收入 0.1930、空气优良天数 0.1015、绿化率 0.0915、高校数 0.1632、房价 0.2543，并据此计算各城市综合得分与排名……

写作要点：

• 正文放权重表 + 权重柱状图（图 2），熵值条形图（图 1）可放附录或简略提及；
• **组合赋权对比图（图 4）**用于说明"客观权重与业务认知的差异及折中"，是展示建模思考深度的加分项；
• 若某些指标权重过低（如本例空气、绿化），主动解释"该指标区分度不足"，比被评审问出来好；
• 权重表保留 4 位小数即可，并注明"权重之和为 1"的校验。

八、延伸阅读

1. 改进熵权法：针对 $p_{ij} = 0$ 的修正、标准化方式的改进（如平移量自适应）、区间熵权、非平衡数据下的熵权修正等——用于处理"权重为零 / 权重失稳"问题；
2. 熵权-TOPSIS：熵权定权 + TOPSIS 排序（加权距离与正负理想解的贴近度），评价类题目的竞赛标配组合；
3. 熵权-灰色关联分析：熵权定权后，用灰色关联度衡量各对象与理想序列的相似度并排序，适合小样本、贫信息场景；
4. CRITIC 法：另一种客观赋权法，用指标的对比强度（标准差）× 冲突性（$1 -$ 与其他指标的相关系数）定权，同时考虑变异与相关性，可作为熵权法的对照或改进；
5. 其他：变异系数法（最朴素的客观赋权）、主成分分析定权、博弈论组合赋权（使组合权重与各单一权重偏差极小化）。