Python在数据分析领域应用广泛吗？

本文共计1218个文字，预计阅读时间需要5分钟。

目录

一、前言

二、详解：计算平均值和标准差

三、实践：CRITIC权重法计算变异系数

一、前言

CRITIC权重法是一种比传统权重法和标准差法更优的客观数据权重分配方法。

二、详解：计算平均值和标准差

1.平均值计算

2.标准差计算

三、实践：CRITIC权重法计算变异系数

一、前言

CRITIC权重法是一种基于评价指标比较强度和标准差差异的权重分配方法，它比传统权重法和标准差法更优。

目录

• 一、前言
• 二、详解计算均值和标准差
• 三、实践：CRITIC权重法计算变异系数

一、前言

CRITIC权重法是一种比熵权法和标准离差法更好的客观赋权法：

• 它是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。考虑指标变异性大小的同时兼顾指标之间的相关性，并非数字越大就说明越重要，完全利用数据自身的客观属性进行科学评价。
• 对比强度是指同一个指标各个评价方案之间取值差距的大小，以标准差的形式来表现。标准差越大，说明波动越大，即各方案之间的取值差距越大，权重会越高；

指标之间的冲突性，用相关系数进行表示，若两个指标之间具有较强的正相关，说明其冲突性越小，权重会越低。

对于 CRITIC 权重法而言，在标准差一定时，指标间冲突性越小，权重也越小；冲突性越大，权重也越大；另外，当两个指标间的正相关程度越大时，（相关系数越接近1），冲突性越小，这表明这两个指标在评价方案的优劣上反映的信息有较大的相似性。