1. 加权平均中的权重计算（已知权重值）

 

如果已知各元素的权重，直接用权重乘以对应值后求和。

 

# 示例：计算加权平均分（权重之和为1）

scores = [80, 90, 70] # 各项分数

weights = [0.3, 0.5, 0.2] # 对应权重

 

# 方法1：循环计算

weighted_sum = 0

for s, w in zip(scores, weights):

    weighted_sum += s * w

print(f"加权平均分：{weighted_sum}") # 结果：82.0

 

# 方法2：用numpy简化（适合大量数据）

import numpy as np

print(np.dot(scores, weights)) # 结果：82.0

 

 

2. 特征权重（机器学习场景）

 

通过模型自动计算特征的重要性（如决策树、线性回归）。

 

from sklearn.linear_model import LinearRegression

from sklearn.datasets import load_diabetes

 

# 加载数据

data = load_diabetes()

X, y = data.data, data.target

 

# 训练线性回归模型，系数即特征权重

model = LinearRegression()

model.fit(X, y)

 

# 输出各特征的权重

print("特征权重：", model.coef_)

 

 

3. 层次分析法（AHP）计算权重

 

用于多准则决策中，通过判断矩阵计算权重。

 

import numpy as np

 

def ahp_weight(matrix):

    """根据判断矩阵计算权重（特征值法）"""

    eigenvalues, eigenvectors = np.linalg.eig(matrix)

    max_idx = np.argmax(eigenvalues)

    max_eigen = eigenvalues[max_idx].real

    # 归一化特征向量得到权重

    weights = eigenvectors[:, max_idx].real

    return weights / np.sum(weights)

 

# 示例判断矩阵（3个元素的相对重要性）

judge_matrix = np.array([

    [1, 2, 3],

    [1/2, 1, 2],

    [1/3, 1/2, 1]

])

 

print("AHP权重：", ahp_weight(judge_matrix)) # 结果约为 [0.5396, 0.3090, 0.1514]

 

- 简单加权计算：直接用元素×权重求和（适合已知权重）。

- 模型权重：调用sklearn等库的模型，通过 coef_ 或 feature_importances_ 获取。

- 决策权重：用层次分析法（AHP）或熵权法等，根据判断矩阵/数据分布计算。

 

根据具体需求选择对应的方法即可。