Как посчитать энтропию в excel

Из -за потребностей проекта необходимо оценить предпочтения пользователя для определенного продукта в виде результатов. Я собрал некоторую информацию в Интернете, а затем сделал ее с Excel и Python для достижения этого.

1. Введение в метод значения энтропии

Значение энтропии является одним из классических алгоритмов, которые рассчитывают вес индекса. Он относится к математическому методу, используемому для определения степени дискретности определенного индикатора. Чем больше степень дискретного, тем больше объема информации, тем меньше неопределенность и чем меньше энтропия; тем меньше объем информации, тем больше неопределенность и чем больше энтропия. В соответствии с характеристиками энтропии, оценивая случайность и расстройство события путем расчета значения энтропии, и вы также можете использовать значение энтропии, чтобы определить степень дискретного по определенному индикатору. Big.

2. Шаги расчета

1. Стандартизация данных

Данные — это матрица m*n, где n характеризуется номером, m — номер записи

Стандартизировать

2. Рассчитайте долю первой записи в соответствии с индикаторами элементов.

3. Рассчитайте значение энтропии ITEM J INDICATOR

4. Рассчитайте коэффициент различия индикатора элемента J

5. Рассчитайте вес предмета J Индекс

В -третьих, внедрение Python

import pandas as pd
import numpy as np
from numpy import array

# Читать данные
doctor = pd.read_csv(r'D:  Workspace  Pythonwork  Python Learning  Maning Baseline  Rights Rights.)
index = doctor['Раздел']
doctor = doctor.drop(['Раздел'],axis = 1)

#Определить метод значения энтропии
def cal_weight(x):
    «Метод значения энтропии» Рассчитайте вес переменной '' '' ''
    #    
    x = x.apply(lambda x: ((x - np.min(x)) / (np.max(x) - np.min(x))))
 
    #   k
    rows = x.index.size  # Строка
    cols = x.columns.size  # Список
    k = 1.0 / math.log(rows)
 
    lnf = [[None] * cols for i in range(rows)]
 
    # Матричный расчет--
    #   Энтропия
    # p=array(p)
    x = array(x)
    lnf = [[None] * cols for i in range(rows)]
    lnf = array(lnf)
    for i in range(0, rows):
        for j in range(0, cols):
            if x[i][j] == 0:
                lnfij = 0.0
            else:
                p = x[i][j] / x.sum(axis=0)[j]
                lnfij = math.log(p) * p * (-k)
            lnf[i][j] = lnfij
    lnf = pd.DataFrame(lnf)
    E = lnf
 
    #Clouging избыточный
    d = 1 - E.sum(axis=0)
    #Наденьте веса каждого индикатора
    w = [[None] * 1 for i in range(cols)]
    for j in range(0, cols):
        wj = d[j] / sum(d)
        w[j] = wj
        # Рассчитайте комплексную оценку каждой выборки, используйте наиболее примитивные данные
    
    w = pd.DataFrame(w)
    w.columns = ['weight']
    w.index = doctor.columns
    return w

w = cal_weight(doctor)  #Cal_weight
print(w)
print('Беги полным!)

# Расчет баллов
array1 = np.array(doctor)
array2 = np.array(w)
score = array1.dot(array2)
score = pd.DataFrame(score)
score.columns = ['score']
score.index = index
print(score)

4. Реализация Excel

1. Стандартизация данных

Согласно исходной таблице оценки, следующая таблица стандартизации данных может быть получена после стандартизации данных.

Формула: (B2 -минутная (B $ 2: B $ 12))/(Макс (B $ 2: B $ 12) -min (B $ 2: B $ 12))

2. Рассчитайте долю первой записи в соответствии с индикаторами элементов.

Формула: M2/Sum (M $ 2: M $ 12)

3. Рассчитайте значение энтропии ITEM J INDICATOR

Формула: =-$ $ 14*Сумма (B $ 16: B $ 26)

4. Рассчитайте вес предмета J Индекс

Формула: (1-M17)/(9-Sum ($ m 17 : 17: 17:U$17))

5. Re -Score

2   0   3   5
0   1   0   0
1   0   3   2

0.2000         0    0.3000    0.5000
     0    1.0000         0         0
0.1667         0    0.5000    0.3333

1.0297
     0
1.0114

H(X) = sum over all x {-p(x) * log(p(x))}

2 ответа

Лучший ответ

Код

=-СУММПРОИЗВ((A2:E2)/100;LOG((A2:E2)/100;2))/LOG(5;2)